Golearn 模型对自变量（预测变量）和目标（预测）是隐含的

怎么入门Golang编程？需要学习哪些知识点？这是新手们刚接触编程时常见的问题；下面golang学习网就来给大家整理分享一些知识点，希望能够给初学者一些帮助。本篇文章就来介绍《Golearn 模型对自变量（预测变量）和目标（预测）是隐含的》，涉及到golang，有需要的可以收藏一下

问题内容

我正在用 Go 学习机器学习。我正在探索 Go 中的 Golearn 包，以获得 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，在来自Golearn 存储库的 Knn 分类器的示例实现中：

    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)

我很困惑哪个是模型的 x 和 y。如何有选择地传入预测变量并进行预测？我几乎被互联网文章冻结了，没有提供任何线索。

我是 Golang ML 开发人员的新手。在 Go 中有过 Web 和数据库工作的经验。我在 python 中编写 ML 模型。最近我发现 GO 在数据处理方面速度更快，适合 ML 应用，同时速度比 python 快。我渴望对此作出解释。如果没有，一个不太复杂但有足够 ML 支持的 Go 库也可以。

正确答案

golearn->knn实现 k 最近邻算法。它是由

• 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

  • 欧几里得
  • 曼哈顿
  • 余弦

在执行此步骤时，所有 非数字字段都将被删除 。非数字字段被假定为该模型正在训练的标签。

• 类别/标签或Attributes定义在csv, 在预测列表中返回，一对形式的值(index,predicted Attribute)。

我如何有选择地传入预测变量并预测

在knn您可以通过将 csv 中的预测目标标记为非整数值来做到这一点。例如 ( Iris-setosa, Iris-versicolor)。

线性回归

你可以使用AddClassAttribute()，这个方法是在DenseInstancesstruct 上定义的，它是base.ParseCSVToInstances()方法的输出。

这样做的代码看起来像

   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。

这是一种可能的方式。它成为Fit()线性回归函数的候选者，这是该模型的计算发生的地方。Predict()函数仅将有限的线性回归系数集相乘并将该值存储为预测。

今天带大家了解了golang的相关知识，希望对你有所帮助；关于Golang的技术知识我们会一点点深入介绍，欢迎大家关注golang学习网公众号，一起学习编程~