我们检查了一个据称用于破解的软件。我们发现工作时间在很大程度上取决于输入长度 N,尤其是当 N 大于 10-15 时。 在我们的测试中,我们固定了以下工作时间。
N = 2 - 16.38 seconds
N = 5 - 16.38 seconds
N = 10 - 16.44 seconds
N = 15 - 18.39 seconds
N = 20 - 64.22 seconds
N = 30 - 65774.62 seconds
任务: of 查找以下三种情况的程序工作时间 - N = 25、N = 40 和 N = 50。
我尝试进行多项式回归,但预测从 2,3 次变化,......
# Importing the libraries
import numpy as np
import matplotlib.pyplot as plt
# Importing the dataset
X = np.array([[2],[5],[10],[15],[20],[30]])
X_predict = np.array([[25], [40], [50]])
y = np.array([[16.38],[16.38],[16.44],[18.39],[64.22],[65774.62]])
#y = np.array([[16.38/60],[16.38/60],[16.44/60],[18.39/60],[64.22/60],[65774.62/60]])
# Fitting Polynomial Regression to the dataset
from sklearn.preprocessing import PolynomialFeatures
poly = PolynomialFeatures(degree = 11)
X_poly = poly.fit_transform(X)
poly.fit(X_poly, y)
lin2 = LinearRegression()
lin2.fit(X_poly, y)
# Visualising the Polynomial Regression results
plt.scatter(X, y, color = 'blue')
plt.plot(X, lin2.predict(poly.fit_transform(X)), color = 'red')
plt.title('Polynomial Regression')
plt.show()
# Predicting a new result with Polynomial Regression
lin2.predict(poly.fit_transform(X_predict))
对于 2 级,结果是
array([[ 32067.76147835],
[150765.87808383],
[274174.84800471]])
5 级的结果是
array([[ 10934.83739791],
[ 621503.86217946],
[2821409.3915933 ]])
最佳答案
方程搜索后,我能够将数据拟合到方程“seconds = a * exp(b * N) + Offset”,拟合参数 a = 2.5066753490350954E-05,b = 7.2292352155213369E-01,Offset = 1.6562196782144639E+01 给出 RMSE = 0.2542 和 R 平方 = 0.99999。这种数据和方程式的组合对初始参数估计极为敏感。如您所见,它应该在数据范围内以高精度进行插值。由于方程很简单,它很可能会很好地推断出数据范围之外。据我了解你的描述,如果使用不同的计算机硬件或者如果破解算法是并行的,那么这个解决方案将无法匹配这些变化。
关于python - 小数据集回归,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/55666981/