《数据挖掘与机器学习》 课件3.3 优化建筑工程混凝土抗压强度检测模型.pptxVIP

8南宁职业技术学院

NCVTNANNINGCOLLEGEFORVOCATIONALTECHNOLOGY

厨

数据挖掘与机器学习

DATAMININGA°NDMACHINELEARNING

构建建筑工程混凝土抗压强度检测模型

建筑工程混凝土抗压强度检测——线性回归

一元线性回归模型用于处理单个自变量的情况，但是现实生活中往往会出现多个自变量的

情况，此时就需要使用多元线性回归模型进行处理。

在任务3.1、任务3.2中使用了一元线性回归模型对建筑工程混凝土抗压强度进行检测，发现的模型的拟合效果一般，还有优化的空间。

为此，本任务将使用多元线性回归模型，对建筑工程混凝土抗压强度检测模型进一步优化。

优化建筑工程混凝土抗压强度检测模型

任务描述

使用sklearn库建立多元线性回归模型。

使用Matplotlib库实现结果的可视化。

优化建筑工程混凝土抗压强度检测模型

任务要求

Part1相关知识

·多元线性回归

什么是多元线性回归?

如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归模型。

优化建筑工程混凝土抗压强度检测模型

多元线性回归

对于由d个属性组成的样本集x=(x₁,X₂,…,Xa),其中xi是在第个

属性上的取值，线性模型即通过学习得到一个属性的线性组合来预测样本标签的函数。

f(x)=+aR+…+w风+b

优化建筑工程混凝土抗压强度检测模型

多元线性回归

f(x)=[w₁x₁+[w₂Yx₂+…+wxa+b

属性x1、x2、xa在预测目标变↓常数

f(x):=|wTx+b

w¹=(w;W₂;…;wa)

表示回归系数的集合

优化建筑工程混凝土抗压强度检测模型

多元线性回归

量时的重要性

参数名称

说明

热点比例阈值

指某个时刻内特定内容或资源的访问量占整体访问量的比例。当热点比例超过设定的阈值时，可能会出现网络拥塞等问题。

O

O

转发负载阈值

指网络中的数据包在传输过程中被转发的次数。当转发负载超过设定的阈值时，可能会导致网络延迟、数据丢失等问题

流量负载

指网络中的数据流量大小。当流量负载超过设定的阈值时，可能会出现网络拥塞、带宽不足等问题

我国计划在2030年前建成全球领先的5G网络。

在网络使用中，流量负载是衡量网速快慢的重要指标。

如何建立多元线性回归模型

优化建筑工程混凝土抗压强度检测模型

多元线性回归

多元线性回归

构建流量负载模型主要通过以下4个步骤实现。

划分训练集和测试集

使用LinearRegression类建立线性回归模型

计算系数和截距

对预测结果进行可视化

优化建筑工程混凝土抗压

强度检测模型

多元线性回归

红蓝圆点在流量负载与转发负载阈值较小时，重合度较高，回归效果较为理想；当流量负载和转发负载阈值较大时回归效果较差。

其中●表示测试集真实值；

▲表示测试集预测值；

十表示训练集真实值。

优化建筑工程混凝土抗压强度检测模型

0.50

0.45

●

0.40

0.35

0.300.25

0.200.15

0.8

+

+

0.15

0.20

0.25

0.30.2

0.1

流量负载0.30

热点比例阈值

0.35

0.40

0.05

0.10

Part2任务实施

·构建多元线性回归检测模型·对混凝土抗压强度进行预测·对预测结果进行可视化

·构造多元线性回归方程

·评估多元线性回归检测模型

自变量因变量

使用iloc函数提取自变量和因变量

优化建筑工程混凝土抗压强度检测模型

矿渣含量石灰含量水含量超塑化剂含(kg/m3)(kg/m3)(kg/m3)量(kg/m3)

细骨料含量达到特定抗压强(kg/m3)度所需天数

提取自变量和因变量

混凝土抗压强度(MPa)

粗骨料含量(kg/m3)

水泥含量(kg/m3)

构建多元线性回归检测模型主要通过以下5个步骤实现。

拆分训练集和测试集

利用LinearRegression类构建模型

通过predict函数给出预测值

对预测结果进行可视化

构造多元线性回归方程

优化建筑工程混凝土抗压强度检测模型

优化建筑工程混凝土抗压强度检测模型

混凝土的抗压强度往往与水泥含量有着