模型中的隐含变量及目标变量

在机器学习中，模型中的隐含变量通常是指输入特征（x），而目标变量是指预测结果（y）。在 golearn 库中，k 最近邻 (KNN) 分类器的实现将 CSV 文件解析为矩阵，删除非数字字段并使用欧几里德或其他距离度量计算向量之间的距离。在 KNN 中，可以将预测目标标记为非整数值，从而有选择地传递预测变量。对于线性回归，可以使用 addclassattribute() 方法将最终列设置为类属性。需要注意的是，这种方法并非分配回归目标的最佳方式，但它为线性回归模型提供了计算所需的信息。

我正在用 go 学习 ml。我正在探索 go 中的 golearn package，以获取 ml 支持。我对 model.fit 和 model.predict 函数的实现方式感到非常困惑。

例如，在此示例中，来自 golearn 存储库的 knn 分类器实现：

rawData, err := base.ParseCSVToInstances("../datasets/iris_headers.csv", true)
    
    cls := knn.NewKnnClassifier("euclidean", "linear", 2)

    trainData, testData := base.InstancesTrainTestSplit(rawData, 0.50)
    cls.Fit(trainData)

    predictions, err := cls.Predict(testData)

我很困惑模型的 x 和 y 是什么。如何选择性地传递预测变量并进行预测？我几乎被那些没有任何线索的互联网文章惊呆了。

我是 golang ml 开发新手。之前有过使用 go 进行 web 和数据库工作的经验。我用 python 编写机器学习模型。最近我发现go在数据处理方面更快，适合ml应用，同时比python更快。我渴望对此做出解释。如果没有，复杂度较低但有足够的 ml 支持的 go 库也可以。

解决方案

golearn ->knn 实现 k 最近邻算法。它的实现是

• 将 csv 文件解析为矩阵

• （predict函数）使用不同算法计算向量之间的距离

  • 欧几里德
  • 曼哈顿
  • 余弦

  执行此步骤时，所有非数字字段都将被删除。假设非数值字段作为该模型正在训练的标签。

• csv 中定义的类别/标签或 attributes 在预测列表中返回，一对值的形式为 (index,predicted attribute)。

如何有选择地传递预测变量并进行预测

在 knn 中，您可以通过将 csv 中的预测目标标记为非整数值来实现此目的。例如（iris-setosa、iris-versicolor）。

线性回归

您可以使用addclassattribute()，该方法在denseinstances结构体上定义，该结构体是base.parsecsvtoinstances()方法的输出。

执行此操作的代码如下所示

instances, err := base.ParseCSVToInstances("../examples/datasets/exams.csv", true) // true: means first line of csv is headers.
   
   attrArray:=instances.AllAttributes() 
   instances.SetClassAttribute(attrArray[4])//setting final column as class attribute, note that there cannot be more than one class attribute for linear regression.
   trainData, testData := base.InstancesTrainTestSplit(instances, 0.1) 
   lr := NewLinearRegression()
   err := lr.Fit(instances)
   if err!=nil{
      // error handling
   }
   predictions, err := lr.Predict(testData)
   if err!=nil{
      // error handling
   }

警告：-> 在线性回归给出的测试文件中所有这些都没有完成。我不会声称上述方法是分配回归目标的正确方法或最佳方法。

这是一个可行的方法。它为线性回归的 fit() 函数提供了候选函数，这是该模型的计算发生的地方。 predict() 函数仅将线性回归系数的有限集相乘并将该值存储为预测。

理论要掌握，实操不能落！以上关于《模型中的隐含变量及目标变量》的详细介绍，大家都掌握了吧！如果想要继续提升自己的能力，那么就来关注golang学习网公众号吧！