绿色移动云计算下生物质的预测分析
1. 模型训练与评估代码
在对生物质数据进行分析时，我们使用了线性回归模型，并进行了一系列的训练、预测和评估操作，以下是相关代码：
# 训练模型 step96: lr.fit(xtrain,ytrain) # 进行预测 step97: pr = lr.predict(xtest) step98: pr # 绘制预测结果与真实值的关系图 step99: plt.figure(figsize=(6,5)) step100: plt.plot(pr,ytest,color="blue", lw=0.5, ls='', marker='o',markerfacecolor="yellow",markersize=12) step101: sns.regplot(pr,ytest,color='b') step102: plt.ylabel('\nPowerPotential(MWe)',fontsize=20) step103: plt.style.use('bmh') # 计算模型得分 step105: lr.score(x,y) # 计算误差指标 step108: from sklearn.metrics import mean_squared_error, mean_absolute_error step110: mse = mean_squared_error(pr,ytest) step111: mse step113: mae = mean_absolute_error(pr,ytest) step114: mae step116: rmse = np.sqrt(mean_squared_err
