Question

我有4个不同的sklearn回归变量，我想使用每个预测的百分比来构建最终预测。

我的想法是循环浏览每个可能的版本，并使用每个预测的百分比作为答案来计算RMSE，即

reg1.predict(X_test) * 0.2  + reg2.predict(X_test) * 0.3 * reg3.predict(X_test) * 0.3  * reg4.predict(X_test) * 0.2

我目前有以下内容，但是我知道有一种更清洁的方法，如果需要的话，我还可以在其中轻松添加更多的回归值...但是我无法理解吗？我很确定我需要递归函数吗？但是也许我错了？

有任何想法/帮助吗？

step = 0.05
for x in np.arange(0,1,step):
    for y in np.arange(0,1,step):
        for z in np.arange(0,1,step):
            for p in np.arange(0,1,step):
                if round(x,2)+round(y,2)+round(z,2)+round(p,2) == 1:
                    print(f"x = {round(x,2)} y = {round(y,2)} z = {round(z,2)} p = {round(p,2)}")
                    ## RMSE calculation code goes, if best store X,Y,Z,P

Answer 1

您本身并不需要递归；您对四个范围的产品感兴趣。

from itertools import product

for x, y, z, p in product(np.arange(0,1,step), repeat=4):
    ...

Answer 2

您可以使用递归函数，但可以尝试itertools.product

Answer 3

我认为您想要笛卡尔积，对吗？因此，您可以像这样使用itertools.product：

str(res %>% select(id, df))
#> Classes 'tbl_df', 'tbl' and 'data.frame':    2 obs. of  2 variables:
#>  $ id: num  1 3
#>  $ df:List of 2
#>   ..$ :Classes 'tbl_df', 'tbl' and 'data.frame': 2 obs. of  2 variables:
#>   .. ..$ A: chr  "1" "11"
#>   .. ..$ B: chr  "2" "12"
#>   ..$ :Classes 'tbl_df', 'tbl' and 'data.frame': 2 obs. of  3 variables:
#>   .. ..$ C: chr  "6" "16"
#>   .. ..$ D: chr  "7" NA
#>   .. ..$ E: chr  "8" NA

嵌套循环的递归替代方法

3 个答案: