Python 使用机器学习添加两个数字的模型

我试图用机器学习来模拟一个加法。但模型总是预测相同的结果。这是我的密码：

将numpy导入为np
随机输入
从sklearn.naive_bayes导入GaussianNB
X=np.数组（[[0,1]，[1,1]，[2,1]，[2,2]，[2,3]，[3,3]，[3,4]，[4,4]，[4,5]）
Y=np.数组（[1,2,3,4,5,6,7,8,9]）
clf=GaussianNB（）
clf.配合（X，Y）
x=random.random（）
y=random.random（）
d=1
e=10000
精度=0
而drandom.random（）

生成0到1之间的实数随机数，所以模型只预测了0或1和最大值2，x+y不是整数

您可以使用

random.randint（a，b）

---

首先，正如评论中指出的，这是一个回归问题，而不是分类问题，

GaussianNB

是一个分类器。其次，您的代码是错误的，您在同一测试集上进行预测，因为您没有重新生成要预测的随机值

这里有一个解决这个问题的方法。首先，您尝试在特征和目标变量之间建立线性关系模型，因此您希望您的模型学习如何使用线性函数映射

f（X）->y

，在本例中，这是一个简单的加法。因此，您需要一个新的解决方案

所以在这里我们可以使用。要培训回归者，您可以执行以下操作：

from sklearn.linear_model import LinearRegression

X = np.random.randint(0,1000, (20000, 2))
y = X.sum(1)
lr = LinearRegression()
lr.fit(X,y)

然后以类似的方式生成一个包含未知组合的测试，希望回归者能够准确预测：

X_test = X = np.random.randint(0,1000, (2000, 2))
y_test = X.sum(1)

如果我们使用经过训练的模型进行预测，并将预测值与原始值进行比较，我们会发现该模型确实完美地映射了我们预期的加法函数：

y_pred = lr.predict(X_test)

pd.DataFrame(np.vstack([y_test, y_pred]).T, columns=['Test', 'Pred']).head(10)

    Test    Pred
0  1110.0  1110.0
1   557.0   557.0
2    92.0    92.0
3  1210.0  1210.0
4  1176.0  1176.0
5  1542.0  1542.0

通过检查模型的

系数

，我们可以看到模型已学习到以下最佳系数：

lr.coef_
# array([1., 1.])

以及：

这基本上将线性回归转化为加法，例如：

X_test[0]
# array([127, 846])

---

因此，我们将使用

y_pred=0+1*127+1*846

您试图将分类器应用于回归问题。那是行不通的。

lr.intercept_
# 4.547473508864641e-13 -> 0

X_test[0]
# array([127, 846])