我收到了许多绑架者的数据 我想通过线性回归实时预测电子故障(我想向我的模型添加新值)
我有一个小例子:
from sklearn.linear_model import LinearRegression
from sklearn.datasets import make_regression
#dataset
#X : Date in millisecond; temperature degree; humidity %
#y : 0= no problem; 1 = electronic failure
X=[[969695100000,15,10],[969788280000,30,50],[975042120000,20,3]]
y=[0,1,0]
model = LinearRegression()
model.fit(X, y)
# Prediction
Xnew, _ = make_regression(n_samples=3, n_features=3, noise=0.1, random_state=1)
ynew = model.predict(Xnew)
for i in range(len(Xnew)):
print("X=%s, Predicted=%s" % (Xnew[i], ynew[i]))
我有真实数据 X : 日期;温度和湿度 y, 0 => 没问题,1 传感器发生故障 我每天都有新数据,我想每天更新我的模型。
我的目标是利用这些数据在明天之前预测传感器故障。
我的问题是:如何将数据添加到我的模型中?
最佳答案
我找到了实时更新模型的解决方案,我使用partial_fit,我像这样更新了我的代码:
import numpy as np
from sklearn import linear_model
from sklearn.datasets import make_regression
n_samples, n_features = 10, 5
X=[[969695100000,15,10],[969788280000,30,50],[975042120000,20,3]]
y=[0,1,0]
model = linear_model.SGDRegressor()
for i in range(0,1000):
model.partial_fit(X, y)
Xnew, _ = make_regression(n_samples=3, n_features=3, noise=0.1, random_state=1)
ynew = model.predict(X)
for i in range(len(Xnew)):
print("X=%s, Predicted=%s" % (Xnew[i], ynew[i]))
我有最后一个问题,是否可以仅使用日期来预测 y 值? 实际上,为了明天预测 y,我需要拥有所有 X 数据,可以仅使用以下内容进行预测: X=[975042120100] 没有温度和湿度,只有毫秒级的日期?
关于python LinearRegression进行实时预测,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/52053697/