我正在用 Go 學習機器學習。我正在探索 Go 中的 Golearn 包，以獲得 ML 支持。我對 model.fit 和 model.predict 函數(shù)的實現(xiàn)方式感到非常困惑。例如，在來自Golearn 存儲庫的 Knn 分類器的示例實現(xiàn)中： rawData, err := base.ParseCSVToInstances("../datasets/iris_headers.csv", true) cls := knn.NewKnnClassifier("euclidean", "linear", 2) trainData, testData := base.InstancesTrainTestSplit(rawData, 0.50) cls.Fit(trainData) predictions, err := cls.Predict(testData)我很困惑哪個是模型的 x 和 y。如何有選擇地傳入預測變量并進行預測？我?guī)缀醣换ヂ?lián)網(wǎng)文章凍結了，沒有提供任何線索。我是 Golang ML 開發(fā)人員的新手。在 Go 中有過 Web 和數(shù)據(jù)庫工作的經(jīng)驗。我在 python 中編寫 ML 模型。最近我發(fā)現(xiàn) GO 在數(shù)據(jù)處理方面速度更快，適合 ML 應用，同時速度比 python 快。我渴望對此作出解釋。如果沒有，一個不太復雜但有足夠 ML 支持的 Go 庫也可以。
1 回答
SMILET
TA貢獻1796條經(jīng)驗 獲得超4個贊
golearn->knn實現(xiàn) k 最近鄰算法。它是由
將 csv 文件解析為矩陣
(
Predict函數(shù)) 使用不同算法計算向量之間的距離在執(zhí)行此步驟時，所有非數(shù)字字段都將被刪除。非數(shù)字字段被假定為該模型正在訓練的標簽。
歐幾里得
曼哈頓
余弦
類別/標簽或
Attributes定義在csv, 在預測列表中返回，一對形式的值(index,predicted Attribute)。
我如何有選擇地傳入預測變量并預測
在knn您可以通過將 csv 中的預測目標標記為非整數(shù)值來做到這一點。例如 ( Iris-setosa, Iris-versicolor)。
線性回歸
你可以使用AddClassAttribute()，這個方法是在DenseInstancesstruct 上定義的，它是base.ParseCSVToInstances()方法的輸出。
這樣做的代碼看起來像
instances, err := base.ParseCSVToInstances("../examples/datasets/exams.csv", true) // true: means first line of csv is headers.
attrArray:=instances.AllAttributes()
instances.SetClassAttribute(attrArray[4])//setting final column as class attribute, note that there cannot be more than one class attribute for linear regression.
trainData, testData := base.InstancesTrainTestSplit(instances, 0.1)
lr := NewLinearRegression()
err := lr.Fit(instances)
if err!=nil{
// error handling
}
predictions, err := lr.Predict(testData)
if err!=nil{
// error handling
}
警告：-> 在線性回歸給出的測試文件中，所有這些都沒有完成。我不會聲稱上述方法是分配回歸目標的正確方法或最佳方法。
這是一種可能的方式。它成為線性回歸函數(shù)的候選對象Fit()，這是該模型的計算發(fā)生的地方。Predict()函數(shù)僅將有限的線性回歸系數(shù)集相乘并將該值存儲為預測。
- 1 回答
- 0 關注
- 159 瀏覽
添加回答
舉報
0/150
提交
取消