Python如何實現一個數據預測集成工具

今天小編給大家分享一下Python如何實現一個數據預測集成工具的相關知識點，內容詳細，邏輯清晰，相信大部分人都還太了解這方面的知識，所以分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后有所收獲，下面我們一起來了解一下吧。

數據的訓練和訓練的GUI窗口

經過算法比較，發現這里我們選擇使用sklearn簡單的多元回歸進行擬合數據可以達到比較好的效果。

(1)首先是是數據的讀取，通過設定選定文件夾函數來讀取文件，加載數據的效果：

'''選擇文件功能''' def selectPath():     # 選擇文件path_接收文件地址     path_ =tkinter.filedialog.askopenfilename()     # 通過replace函數替換絕對文件地址中的/來使文件可被程序讀取     # 注意：\\轉義后為\，所以\\\\轉義后為\\     path_ =path_.replace("/", "\\\\")     # path設置path_的值     path.set(path_)     return path  # 得到的DataFrame讀入所有數據 data = pd.read_excel(FILENAME, header=0, usecols="A,B,C,D,E,F,G,H,I") # DataFrame轉化為array DataArray = data.values # 讀取已使用年限作為標簽 Y = DataArray[:, 8] # 讀取其他參數作為自變量，影響因素 X = DataArray[:, 0:8] # 字符串轉變為整數 for i in range(len(Y)):     Y[i] = int(Y[i].replace("年", "")) X = np.array(X)  # 轉化為array Y = np.array(Y)  # 轉化為array  root = Tk() root.geometry("+500+260") # 背景圖設置 canvas = tk.Canvas(root, width=600, height=200, bd=0, highlightthickness=0) imgpath = '1.jpg' img = Image.open(imgpath) photo = ImageTk.PhotoImage(img) #背景圖大小設置 canvas.create_image(700, 400, image=photo) canvas.pack() path = StringVar() #標簽名稱位置 label1=tk.Label(text = "目標路徑:") label1.pack() e1=tk.Entry( textvariable = path) e1.pack() bn1=tk.Button(text = "路徑選擇", command = selectPath) bn1.pack() bn2=tk.Button(text = "模型訓練", command = train) bn2.pack() bn3=tk.Button(text = "模型預測", command = test) bn3.pack() #標簽按鈕等放在背景圖上 canvas.create_window(50, 50, width=150, height=30,                      window=label1) canvas.create_window(280, 50, width=300, height=30,                      window=e1) canvas.create_window(510, 50, width=150, height=30,                      window=bn1) canvas.create_window(50, 100, width=150, height=30,                      window=bn2) canvas.create_window(510, 100, width=150, height=30,                      window=bn3)  root.mainloop()

效果如下可見：

(2)然后是數據的擬合和可視化模型效果：

# 模型擬合 reg = LinearRegression() reg.fit(X, Y) # 預測效果 predict = reg.predict(np.array([X[0]])) Y_predict = reg.predict(X) print(Y_predict) # 橫坐標 x_label = [] for i in range(len(Y)):     x_label.append(i) # 繪圖 fig, ax = plt.subplots() # 真實值分布散點圖 plt.scatter(x_label, Y) # 預測值分布散點圖 plt.scatter(x_label, Y_predict) # 預測值擬合直線圖 plt.plot(x_label, Y_predict) # 橫縱坐標 ax.set_xlabel('預測值與真實值模型擬合效果圖') ax.set_ylabel('藍色為真實值，黃色為預測值') # 將繪制的圖形顯示到tkinter:創建屬于root的canvas畫布,并將圖f置于畫布上 canvas = FigureCanvasTkAgg(fig, master=root) canvas.draw()  # 注意show方法已經過時了,這里改用draw canvas.get_tk_widget().pack() # matplotlib的導航工具欄顯示上來(默認是不會顯示它的) toolbar = NavigationToolbar2Tk(canvas, root) toolbar.update() canvas._tkcanvas.pack() #彈窗顯示 messagebox.showinfo(title='模型情況', message="模型訓練完成！") 其中的效果如下可見：

其中的效果如下可見：

模型的預測和使用

其中模型的預測主要通過兩種方式進行預測，分別是：手動輸入單個數據進行預測和讀取文件進行預測。

其中手動輸入數據進行預測需要設置更多的GUI按鈕，其中代碼如下：

#子窗口 LOVE = Toplevel(root) LOVE.geometry("+100+260") LOVE.title = "模型測試" #子窗口各標簽名 label = ["上升沿斜率（v/us）", "下降沿斜率（v/us）", "脈寬(ns)", "低狀態電平（mv）", "低電平方差（mv2)x10-3", "高狀態電平（v）", "高電平方差(v2)", "信號質量因子"] Label(LOVE, text="1、輸入參數預測", font=("微軟雅黑", 20)).grid(row=0, column=0) #標簽名稱，字體位置 Label(LOVE, text=label[0], font=("微軟雅黑",10)).grid(row=1, column=0) Label(LOVE, text=label[1], font=("微軟雅黑", 10)).grid(row=1, column=1) Label(LOVE, text=label[2], font=("微軟雅黑", 10)).grid(row=1, column=2) Label(LOVE, text=label[3], font=("微軟雅黑", 10)).grid(row=1, column=3) Label(LOVE, text=label[4], font=("微軟雅黑", 10)).grid(row=1, column=4) Label(LOVE, text=label[5], font=("微軟雅黑", 10)).grid(row=1, column=5) Label(LOVE, text=label[6], font=("微軟雅黑", 10)).grid(row=1, column=6) Label(LOVE, text=label[7], font=("微軟雅黑", 10)).grid(row=1, column=7) #編輯框位置和字體 en1=tk.Entry(LOVE, font=("微軟雅黑", 8)) en1.grid(row=2, column=0) en2=tk.Entry(LOVE, font=("微軟雅黑", 8)) en2.grid(row=2, column=1) en3=tk.Entry(LOVE, font=("微軟雅黑", 8)) en3.grid(row=2, column=2) en4=tk.Entry(LOVE, font=("微軟雅黑", 8)) en4.grid(row=2, column=3) en5=tk.Entry(LOVE, font=("微軟雅黑", 8)) en5.grid(row=2, column=4) en6=tk.Entry(LOVE, font=("微軟雅黑", 8)) en6.grid(row=2, column=5) en7=tk.Entry(LOVE, font=("微軟雅黑", 8)) en7.grid(row=2, column=6) en8=tk.Entry(LOVE, font=("微軟雅黑", 8)) en8.grid(row=2, column=7) Label(LOVE, text="", font=("微軟雅黑", 10)).grid(row=3, column=0) #測試輸入框預測 def pp():     x=np.array([int(en1.get()),int(en2.get()),int(en3.get()),int(en4.get()),int(en5.get()),int(en6.get()),int(en7.get()),int(en8.get())])     # 預測效果     predict = reg.predict(np.array([x]))     Label(LOVE, text="預測結果已使用年數為："+str(predict[0])+"年", font=("微軟雅黑", 10)).grid(row=4, column=3)     print(predict) Button(LOVE, text="預測：", font=("微軟雅黑", 15),command=pp).grid(row=4, column=0) Label(LOVE, text="2、選擇文件預測", font=("微軟雅黑", 20)).grid(row=5, column=0) path2 = StringVar() label1 = tk.Label(LOVE,text="目標路徑:", font=("微軟雅黑", 10)) label1.grid(row=6, column=0) e1 = tk.Entry(LOVE,textvariable=path2, font=("微軟雅黑", 10)) e1.grid(row=6, column=2) label = ["上升沿斜率（v/us）", "下降沿斜率（v/us）", "脈寬(ns)", "低狀態電平（mv）", "低電平方差（mv2)x10-3", "高狀態電平（v）", "高電平方差(v2)",              "信號質量因子"]     n = 0     for i in predict_value:         print(str(label) + "分別為" + str(X[n]) + "預測出來的結果為：" + str(i) + "年" + "\n")         f = open("預測結果.txt", "a")         f.write(str(label) + "分別為" + str(X[n]) + "預測出來的結果為：" + str(i) + "年" + "\n")         f.close()         f = open("result.txt", "a")         f.write(str(i) + "\n")         f.close()         n += 1     messagebox.showinfo(title='模型情況', message="預測結果保存在當前文件夾下的TXT文件中！")     os.system("result.txt")     os.system("預測結果.txt") Button(LOVE, text="預測：", font=("微軟雅黑", 15), command=ppt).grid(row=7, column=0)

效果如下可見：

選擇文件進行讀取預測和模型訓練數據的讀取類似，代碼如下：

#選擇文件預測 def selectPath2():     # 選擇文件path_接收文件地址     path_ =tkinter.filedialog.askopenfilename()     # 通過replace函數替換絕對文件地址中的/來使文件可被程序讀取     # 注意：\\轉義后為\，所以\\\\轉義后為\\     path_ =path_.replace("/", "\\\\")     # path設置path_的值     path2.set(path_)     return path bn1 = tk.Button(LOVE,text="路徑選擇", font=("微軟雅黑", 10), command=selectPath2) bn1.grid(row=6, column=6) def ppt():     try:         os.remove("預測結果.txt")         os.remove("result.txt")     except:         pass     # 文件的名字     FILENAME =path2.get()     # 禁用科學計數法     pd.set_option('float_format', lambda x: '%.3f' % x)     np.set_printoptions(threshold=np.inf)     # 得到的DataFrame讀入所有數據     data =pd.read_excel(FILENAME, header=0, usecols="A,B,C,D,E,F,G,H")     # DataFrame轉化為array     DataArray =data.values     # 讀取其他參數作為自變量，影響因素     X = DataArray[:,0:8]     predict_value = reg.predict(X)     print(predict_value)

效果如下：

由于讀取文件進行預測的話，數據較多故直接存儲在TXT中方便查看：

以上就是“Python如何實現一個數據預測集成工具”這篇文章的所有內容，感謝各位的閱讀！相信大家閱讀完這篇文章都有很大的收獲，小編每天都會為大家更新不同的知識，如果還想學習更多的知識，請關注億速云行業資訊頻道。