Python 使用Scikit学习乘法

我写了一个程序，可以学习加法

from sklearn import linear_model
from random import randint
reg=linear_model.LinearRegression()
x=[[randint(0,100),randint(0,100)] for i in range(1000)]
Y=[i[0]+i[1] for i in x]
reg.fit(x, Y)
print(reg.pred([[56, 23]])
# OUTPUT : 79

如果我想让它做乘法，请帮我用这个程序，我的精确度很低

请尽可能少地修改程序，因为我是新手

---

！！提前谢谢

你的问题有多种解决方案。
要实现0错误，您需要学习一个能够学习这种复杂性的模型。您可能希望使用简单的模型，如线性回归，因此，您应该使用多项式特征扩展数据。请参见

sklearn.processing.PolynomialFeatures

替代解决方案可能涉及更复杂的模型，如神经网络。您可以简单地使用具有2-3个隐藏层的多层网络，以及线性输出层，这样输出将是无界的。对于这类问题，这种方法不太受欢迎，因为它更复杂，而且不能保证在您的问题上表现最好

注意：
如果您选择尝试网络解决这个简单的问题，请确保使用平均损失

示例：

首先，让我们加载一些工具。
我们将使用scikit learn提供的线性回归和预处理工具包

from sklearn import linear_model
from sklearn import preprocessing
from random import randint
import numpy as np

加法问题

# Lets generate some random data
x=[[randint(0,100),randint(0,100)] for i in range(1000)]

# and compute the deterministic addition function
Y=[i[0]+i[1] for i in x]

# Again, lets generate some random data
x=[[randint(0,100),randint(0,100)] for i in range(1000)]

# And compute the multiplication of all coordinates for each sample
Y=np.array([i[0]*i[1] for i in x])

由于

x+y

是

x

和

y

的线性组合， 我们不需要对数据进行任何特征提取。 线性回归中的最小化目标是

np.sum（（x*w-Y）**2）

在这里我们最小化w。 此模型的最佳参数为

[1,1]

# First, we create an instance of the regressor
reg_add=linear_model.LinearRegression()

# then, fit it to the data
reg_add.fit(x, Y)

# and finally, test it on some sample
sample = [[56, 23]]
print('Addition: X={}, Y_hat={}'.format(sample,reg_add.predict(sample)))

输出：

Addition: X=[[56, 23]], Y_hat=[79.]

乘法问题

# Lets generate some random data
x=[[randint(0,100),randint(0,100)] for i in range(1000)]

# and compute the deterministic addition function
Y=[i[0]+i[1] for i in x]

# Again, lets generate some random data
x=[[randint(0,100),randint(0,100)] for i in range(1000)]

# And compute the multiplication of all coordinates for each sample
Y=np.array([i[0]*i[1] for i in x])

现在，一个简单的线性回归不能精确地拟合数据， 因为

x[0]*x[1]

不是样本中元素的线性组合。 然而，如果我们选择多项式特征提取，我们可以。 多项式特征是定义度上坐标的所有多项式组合，包括度

0

# Lets create an instance of the processor, using polynomial features of degree=2
pp = preprocessing.PolynomialFeatures(2)

# transform the original data
x2 = pp.fit_transform(x)

# Then, create a linear regressor,
reg_mult=linear_model.LinearRegression()

# Fit it to the processed data and the results
reg_mult.fit(x2, Y)

# and test it on a new example.
sample = [[2, 4]]
print('Multiplication: X={}, Y_hat={}'.format(sample,reg_mult.predict(pp.transform(sample))))

输出：

Multiplication: X=[[2, 4]], Y_hat=[8.]

---

我想说加法的准确度也不是很高。你是对的，我只是漏打了它（事实上是相反的）。实际上你应该确保你没有测试训练数据。因此，定义一个数据集X并将其拆分为培训和测试数据，并确保它们是正确的disjoint@pythonic833绩效评估的方法与问题无关。Mamamiya你太棒了，我该为部门做些什么！与SRC一起解释会很有帮助。为方便起见，添加了更多注释：）谢谢你的指导，但你能在除法问题上帮助我吗。对于除法，你需要更复杂的模型或提取更有意义的特征。例如，您可以先提取特征

1/x

，然后使用多项式特征提取，然后使用线性回归。注意，模型的先验知识是有用的，模型的构建不是机器学习！。在探索数据并试图了解目标的情况下，我们无法做到上述几点。这仅仅是一个猜测，如果你从探索开始，并且因为你可视化了数据和猜测，这是可以的。编辑：忘了再指出一次，还有许多其他的模型你可以使用