Skip to content
Branch: master
Find file History
Fetching latest commit…
Cannot retrieve the latest commit at this time.
Permalink
Type Name Latest commit message Commit time
..
Failed to load latest commit information.
BikeSharingDemand
BikeSharingDemand.sln
README.md

README.md

共享自行车需求 - 回归问题示例

ML.NET 版本 API 类型 状态 应用程序类型 数据类型 场景 机器学习任务 算法
v1.3.1 动态 API 最新版 控制台应用程序 .csv 文件 需求预测 回归 Fast Tree regressor compared to additional regression algorithms

在这个示例中,您可以看到如何使用ML.NET来预测自行车的需求。由于您试图基于过去的观测数据预测特定的数值,在机器学习中,这种类型的预测方法被称为回归。

问题

有关问题的更详细描述,请阅读原始文档中的详细信息 Bike Sharing Demand competition from Kaggle.

数据集

原始数据来自公共UCI数据集: https://archive.ics.uci.edu/ml/datasets/bike+sharing+dataset

ML 任务 - 回归

当前示例的ML任务是回归,它是一种受监督的机器学习任务,用于从一组相关的特征/变量中预测标签的值(在本例中是需求数量预测)。

解决方案

要解决此问题,您需要在现有训练数据上构建和训练ML模型,评估其有多好(分析获得的指标),最后您可以使用/测试模型来预测给定输入数据变量的需求。

Build -> Train -> Evaluate -> Consume

然而,在这个例子中,我们训练多个模型(而不是单个模型),每个模型基于不同的回归学习器/算法,最后我们评估每个方法/算法的准确性,因此您可以更精确地选择训练模型。

以下列表是使用和比较的训练器/算法:

  • Fast Tree
  • Poisson Regressor
  • SDCA (Stochastic Dual Coordinate Ascent) Regressor
  • FastTreeTweedie
You can’t perform that action at this time.