راه
۵ کیو· متوسط رو به بالامتوسطPYTHON۴ ثانیه · ۲۵۶ مگابایت

رگرسیون مؤلفه‌های اصلی (PCR)

تابع pcr_predict(X_train, y_train, X_test, M) با رگرسیون مؤلفه‌های اصلی پیش‌بینی می‌کند:

  1. ستون‌های X_train را استاندارد کنید — میانگین و انحراف معیار (std با تقسیم بر nn) فقط از داده‌ی آموزش — و همان تبدیل را روی X_test اعمال کنید.
  2. جهت‌های اصلی را از تجزیه‌ی مقدار تکین ماتریس آموزش استانداردشده بگیرید: U, S, Vt = np.linalg.svd(Z, full_matrices=False). MM جهت اول ردیف‌های اول Vt اند.
  3. امتیاز مؤلفه‌ها: T=ZVMT = Z V_M. رگرسیون کمترین مربعات y_train روی TT را با عرض از مبدأ برازش دهید.
  4. برای X_test استانداردشده امتیازها را بسازید و پیش‌بینی را برگردانید.

علامت هر جهت در SVD دلخواه است، ولی پیش‌بینی‌ها به علامت بستگی ندارند.

نمونه‌ها

ورودی نمونه ۱
[[[4.42, 3.9, 4.14], [5.45, 8.36, 5.68], [7.38, 9.68, 4.54], [3.99, 4.74, 5.66], [3.81, 5.44, 5.66], [4.37, 1.56, 4.89], [5.22, 3.95, 2.68], [2.82, 0.59, 4.01], [4.98, 4.04, 0.07], [6.09, 6.44, 6.03], [6.04, 3.0, 4.12], [5.87, 6.3, 5.4]], [14.81, 21.61, 25.66, 17.51, 18.21, 14.06, 13.52, 8.46, 12.15, 21.27, 16.15, 20.4], [[5.09, 4.5, 2.77], [4.6, 2.63, 1.39], [3.47, 4.98, 4.04], [4.68, 3.8, 0.89], [6.75, 6.18, 3.11]], 1]
خروجی نمونه ۱
[15.6924, 12.1735, 14.0737, 13.0711, 20.4445]
ورودی نمونه ۲
[[[6.29, 5.84, 4.7, 5.6], [7.37, 8.51, 7.66, 9.26], [1.16, 2.53, 2.56, 1.06], [6.53, 8.93, 8.39, 7.64], [5.35, 4.18, 5.18, 4.26], [3.87, 4.74, 3.29, 4.59], [2.52, 3.34, 2.16, 3.55], [3.27, 2.97, 2.89, 4.66], [6.19, 3.29, 5.91, 2.74], [5.59, 6.21, 6.52, 5.25], [5.19, 6.06, 5.22, 5.27], [6.8, 7.09, 6.0, 6.09], [2.14, 1.67, 1.6, 1.03], [3.08, 2.28, 2.22, 2.59], [8.18, 9.16, 7.3, 7.16]], [3.9, 5.3, 2.77, 6.21, 5.68, 0.83, 1.88, 5.01, 9.66, 7.37, 5.14, 4.91, 5.15, 4.9, 5.47], [[6.84, 5.7, 8.02, 7.64], [9.41, 8.52, 9.46, 9.8], [7.57, 6.72, 5.18, 8.06], [2.9, 2.36, 4.26, 3.66], [5.6, 7.04, 6.86, 8.24]], 2]
خروجی نمونه ۲
[6.5221, 7.1556, 4.2667, 4.5807, 3.5205]

برای نوشتن پاسخ و دریافت امتیاز، ابتدا وارد حساب شوید.

ورود