開箱好物推薦

內容簡介

作者介紹

目錄

序

詳細資料

本文通過sklearn實現新型肺炎累計確診病例的預測，主要算法包括線性回歸，邏輯回國，多項式回歸（二次曲線、三次曲線、四次曲線、五次曲線）等算法，具體到預測，主要包括算法的選擇，很多時候算法的選擇是通過數據的查全率查準率，訓練集、測試集、檢驗集等上的準確率綜合評估出來的，二是關於數據集的分拆，需要拆解為訓練集、測試集分別進行驗證。 總的來說，訓練集大概只有15條記錄，訓練集4條，還有預測的7條，從公開的圖表來看，出現了2次波動，所以本模型效果一般。 如下： import operator import matplotlib.pyplot as plt import numpy as np from sklearn.preprocessing import PolynomialFeatures from sklearn.linear_model import LinearRegression,LogisticRegression import matplotlib.pyplot as plt def init_data: # 原始數據 countrydatahistorys=[{'date': '2020-02-10', 'confirmedNum': 42708, 'suspectedNum': 21675, 'curesNum': 3998, 'deathsNum': 1017, 'suspectedIncr': 3536}, {'date': '2020-02-09', 'confirmedNum': 40224, 'suspectedNum': 23589, 'curesNum': 3283, 'deathsNum': 909, 'suspectedIncr': 4008}, {'date': '2020-02-08', 'confirmedNum': 37162, 'suspectedNum': 28942, 'curesNum': 2651, 'deathsNum': 812, 'suspectedIncr': 3916}, {'date': '2020-02-07', 'confirmedNum': 34594, 'suspectedNum': 27657, 'curesNum': 2052, 'deathsNum': 723, 'suspectedIncr': 4214}, {'date': '2020-02-06', 'confirmedNum': 31197, 'suspectedNum': 26359, 'curesNum': 1542, 'deathsNum': 637, 'suspectedIncr': 4833}, {'date': '2020-02-05', 'confirmedNum': 28060, 'suspectedNum': 24702, 'curesNum': 1153, 'deathsNum': 564, 'suspectedIncr': 5328}, {'date': '2020-02-04', 'confirmedNum': 24363, 'suspectedNum': 23260, 'curesNum': 892, 'deathsNum': 491, 'suspectedIncr': 3971}, {'date': '2020-02-03', 'confirmedNum': 20471, 'suspectedNum': 23214, 'curesNum': 630, 'deathsNum': 425, 'suspectedIncr': 5072}, {'date': '2020-02-02', 'confirmedNum': 17238, 'suspectedNum': 21558, 'curesNum': 475, 'deathsNum': 361, 'suspectedIncr': 5173}, {'date': '2020-02-01', 'confirmedNum': 14411, 'suspectedNum': 19544, 'curesNum': 328, 'deathsNum': 304, 'suspectedIncr': 4562}, {'date': '2020-01-31', 'confirmedNum': 11821, 'suspectedNum': 17988, 'curesNum': 243, 'deathsNum': 259, 'suspectedIncr': 5019}, {'date': '2020-01-30', 'confirmedNum': 9720, 'suspectedNum': 15238, 'curesNum': 171, 'deathsNum': 213, 'suspectedIncr': 4812}, {'date': '2020-01-29', 'confirmedNum': 7736, 'suspectedNum': 12167, 'curesNum': 124, 'deathsNum': 170, 'suspectedIncr': 4148}, {'date': '2020-01-28', 'confirmedNum': 5997, 'suspectedNum': 9239, 'curesNum': 103, 'deathsNum': 132, 'suspectedIncr': 3248}, {'date': '2020-01-27', 'confirmedNum': 4535, 'suspectedNum': 6973, 'curesNum': 51, 'deathsNum': 106, 'suspectedIncr': 2077}, {'date': '2020-01-26', 'confirmedNum': 2761, 'suspectedNum': 5794, 'curesNum': 49, 'deathsNum': 80, 'suspectedIncr': 3806}, {'date': '2020-01-25', 'confirmedNum': 1985, 'suspectedNum': 2684, 'curesNum': 38, 'deathsNum': 56, 'suspectedIncr': 1309}, {'date': '2020-01-24', 'confirmedNum': 1297, 'suspectedNum': 1965, 'curesNum': 38, 'deathsNum': 41, 'suspectedIncr': 1118}, {'date': '2020-01-23', 'confirmedNum': 830, 'suspectedNum': 1072, 'curesNum': 34, 'deathsNum': 25, 'suspectedIncr': 680}] # 按照時間排序全國趨勢數據 countrydatahistorys=sorted(countrydatahistorys, key=operator.itemgetter('date')) # 結構化全國各省圖表所需數據 xdata=list(range(len(countrydatahistorys))) xlabel=list(row['date'] for row in countrydatahistorys) # 追加預測未來一周的自變量X xdata.extend(list(range(19, 26))) from datetime import date, datetime, timedelta start_date = date(2020, 2, 11) xlabel.extend(list(str(start_date + timedelta(i)) for i in range(7))) # 生成累計確診數據，即y值 confirmedNum=list(row['confirmedNum'] for row in suspectedNum=list(row['suspectedNum'] for row in #進行數據格式轉換，生成訓練集、測試集和預測集 Xlabel=np.array(xlabel).reshape(-1, 1) X=np.array(xdata).reshape(-1, 1) y=np.array(confirmedNum).reshape(-1, 1) X_train=X[:15] X_test=X[15:19] X_predict=X[19:] y_train=y[:15] y_test=y[15:19] return X_train,X_test,y_train,y_test,X_predict,X,y,xlabel X_train,X_test,y_train,y_test,X_predict,X,y,Xlabel=init_data lr=LinearRegression.fit(X_train,y_train) coef=lr.coef_ intercept=lr.intercept_ score_train=lr.score(X_train,y_train) score_test=lr.score(X_test,y_test) y_predict=lr.predict(X_test) # lg=LogisticRegression(C=0.2) lg.fit(X_train,y_train) y_lg_predict=lg.predict(X) print('y_lg_predict=',y_lg_predict) poly1 =PolynomialFeatures(degree=1) X_ploy =poly1.fit_transform(X_train) l1=LinearRegression l1.fit(X_ploy,y_train) poly2 =PolynomialFeatures(degree=2) X_ploy =poly2.fit_transform(X_train) l2=LinearRegression l2.fit(X_ploy,y_train) poly3 =PolynomialFeatures(degree=3) X_ploy =poly3.fit_transform(X_train) l3=LinearRegression l3.fit(X_ploy,y_train) poly4 =PolynomialFeatures(degree=4) X_ploy =poly4.fit_transform(X_train) l4=LinearRegression l4.fit(X_ploy,y_train) poly5 =PolynomialFeatures(degree=5) X_ploy =poly5.fit_transform(X_train) l5=LinearRegression l5.fit(X_ploy,y_train) poly6 =PolynomialFeatures(degree=6) X_ploy =poly6.fit_transform(X_train) l6=LinearRegression l6.fit(X_ploy,y_train) fig=plt.figure(figsize=(10,5.5)) plt.rcParams['font.sans-serif']=['SimHei'] # 畫出實際值，注意X和y不等，X訓練集加測試集和實際y值相等 plt.plot(np.vstack((X_train,X_test)),y,color='black',marker='o',linestyle='-',label='累計確診病例（官方統計）') plt.plot(X,y_lg_predict,color='cyan',marker='*',linestyle=':',label='邏輯回歸') plt.plot(X,intercept+X*coef,color='red',marker='*',linestyle=':',label='線性預測') plt.plot(X,l2.predict(poly2.fit_transform(X)),color='blue',marker='*',linestyle=':',label='2次多項式') plt.plot(X,l3.predict(poly3.fit_transform(X)),color='yellow',marker='*',linestyle=':',label='3次多項式') plt.plot(X,l4.predict(poly4.fit_transform(X)),color='green',marker='*',linestyle=':',label='4次多項式') # 設置x軸標籤及其字號 plt.xlabel('日期',fontsize=14) # 設置y軸標籤及其字號 plt.ylabel('累計確診病例數量',fontsize=14) # 設置X軸序列標籤值 plt.xticks(X-1,Xlabel,rotation=30,fontsize=10) # 添加訓練集、測試集、預測集分割垂直直線 plt.axvline(x=14.5,linestyle='--',c="green") plt.axvline(x=18.5,linestyle='--',c="green") # 添加測試集的預測結果數據標籤 # for x,y in zip(X_test.tolist, y_predict.tolist): # plt.text(x[0],y[0],'{:5.0f}'.format(y[0]), fontsize=8) # 顯示圖例 plt.legend plt.show 「追夢IT人」 QQ群號：763628645 QQ群二維碼如下， 添加請註明：姓名+地區+職位，否則不予通過 訂閱我的微信公眾號「楊建榮的學習筆記」，第一時間免費收到文章更新。別忘了

文章來源取自於：

壹讀 https://read01.com/mznAggN.html

博客來 https://www.books.com.tw/exep/assp.php/888words/products/0010837101

如有侵權，請來信告知，我們會立刻下架。

DMCA：dmca(at)kubonews.com

聯絡我們：contact(at)kubonews.com

新光三越附近頭髮燙捲台中中區中分直長髮推薦染髮店大里修改肩髮推薦髮廊上班族染髮推薦髮廊台中東區齊耳瀏海短髮推薦髮型設計工作室
梧棲韓系明星髮型風格推薦染髮髮廊 一中商圈推薦韓系明星髮型風格推薦髮廊 布丁頭的救星推薦台中髮廊外埔韓系髮型推薦染髮店 新社毛躁髮質改善專業染髮燙髮髮廊 台中南屯染髮推薦太平美式沙龍上班族染髮推薦髮廊 新社自然蓬鬆髮型修改推薦髮廊 台中專業剪髮霧峰八字劉海推薦髮型設計工作室 和平漸層漂染上班族染髮推薦髮廊 台中質感色系商業髮色專業髮廊