params,
args=(yhat, X, y),
method='trust-constr')
# print(mthd, optResult)
if optResult['success']:
bestParams = optResult['x']
print('\n最优参数：\n', bestParams)
else:
print('训练失败！method可能不合适！')
# 4.评估模型
y_pred = yhat(bestParams, X)
# from common import displayRegressionMetrics
displayRegressionMetrics(y, y_pred)
# 5.最优算法选取method（假定你不知道的话）
methods = [
'Nelder-Mead',
'CG',
'BFGS',
'Newton-CG',
'dogleg',
'trust-ncg',
'trust-crylov',
'trust-exact',
'COBYLA',
'SLSQP',
'trust-constr', #有约束
'Powell',
# print(sr)
sr.drop('Intercept', inplace=True)
cond = sr < 0.05
cols = sr[cond].index.tolist()
print('显著影响因子：', cols)
# 3）模型评估指标（拟合程度）
# 拟合程度（越接近于1表示模型越好）
print('R2={:.4}, adjR2={:.4}'.format(results.rsquared, results.rsquared_adj))
# 信息准则指标(带惩罚项，越小表示模型越好)
print('AIC={}, BIC={}'.format(results.aic, results.bic)) #信息准则指标
y_pred = results.fittedvalues
displayRegressionMetrics(y, y_pred)
# 4) 共线性检验：
# results.condition_number值过大，有可能存在共线性
# 5）残差检验
# results.resid #残差 = y - y_pred
# 5、模型优化
# 6、应用模型
# 1）预测历史数据
y_pred = results.fittedvalues
# 2）预测新数据
XX = df.loc[10:11, :]
results = mdl.fit(smoothing_level=alpha, optimized=False)
print(results.summary()) #打印模型信息
print('模型参数：\n', results.params) #返回参数字典
# 4.模型评估
# 1）查看评估指数
print('AIC=', results.aic)
print('AICC=', results.aicc)
print('BIC=', results.bic)
# print('SSE=', results.sse)
# resid = results.resid # 残差resid = ts - y_pred
y_pred = results.fittedvalues # 预测历史值
y_true = ts[y_pred.index]
displayRegressionMetrics(y_true, y_pred)
# 2）可视化图形：对比
plt.plot(range(len(y_pred)), y_pred, 'b', label='一次指数平滑')
plt.plot(range(len(y_true)), y_true, 'g', label='实际值')
plt.legend(loc='upper right')
title = 'Holt线性趋势(alpha={})'.format(alpha)
plt.title(title)
plt.show()
# 5.自行选取最优平滑系数
mdl = SimpleExpSmoothing(ts)
results = mdl.fit() #默认optimized=True
print(results.summary()) #打印模型信息
print('最优超参：', grid.best_params_)
print('最优得分：', grid.best_score_)
bestParams = fixedParams
bestParams.update(grid.best_params_)
mdl = grid.best_estimator_ #保存最优模型
#奇怪：mdl.intercept_返回的是一个数组，而不是单个值
sr = pd.Series(data=mdl.intercept_.tolist() + mdl.coef_.tolist(),
index=['常数'] + cols)
print(sr)
# 4、评估
# 1)训练集评估
y_pred = mdl.predict(X)
displayRegressionMetrics(y, y_pred, X.shape)
# 2)测试集评估
y_pred = mdl.predict(X_test)
displayRegressionMetrics(y_test, y_pred, X_test.shape)
# 6、应用模型
XX = [[10, 22]]
pred = mdl.predict(XX)
print(pred)
######################################################################
######## Part2、大规模数据集的随机梯度下降回归 示例
######################################################################
# 每次读取部分数据放入内存（而不是一次性）
# 递归训练模型