室内定位系列（四）——位置指纹法的实现（测试各种机器学习分类器）

学号：20021210595    姓名：杨婵

转载自:https://www.cnblogs.com/rubbninja/p/6186847.html

【嵌牛导读】位置指纹法中最常用的算法是k最近邻（kNN）。本文的目的学习一下python机器学习scikit-learn的使用，尝试了各种常见的机器学习分类器，比较它们在位置指纹法中的定位效果。

【嵌牛鼻子】室内定位，机器学习，位置指纹法

【嵌牛提问】各种常见的机器学习分类器在位置指纹法中的定位效果如何？

【嵌牛正文】

导入数据

数据来源说明：http://www.cnblogs.com/rubbninja/p/6118430.html

knn回归

Logistic regression （逻辑斯蒂回归）

Support Vector Machine for Regression （支持向量机）

Support Vector Machine for Classification （支持向量机）

random forest regressor （随机森林）

random forest classifier （随机森林）

Linear Regression （线性回归）

Ridge Regression （岭回归）

Lasso回归

Elastic Net （弹性网回归）

Bayesian Ridge Regression （贝叶斯岭回归）

Gradient Boosting for regression （梯度提升）

Multi-layer Perceptron regressor （神经网络多层感知器）

总结

上面的几个线性回归模型显然效果太差，这里汇总一下其他的一些回归模型：

从大致的定位精度上看，KNN、SVM、RF、GBDT这四个模型比较好（上面很多算法并没有仔细地调参数，这个结果也比较粗略，神经网络完全不知道怎么去调...）。此外要注意的是，SVM训练速度慢，调参太麻烦，KNN进行预测时的时间复杂度应该是和训练数据量成正比的，从定位的实时性上应该不如RF和GBDT。

作者：[rubbninja](http://www.cnblogs.com/rubbninja/) 出处：[http://www.cnblogs.com/rubbninja/](http://www.cnblogs.com/rubbninja/) 关于作者：目前主要研究领域为机器学习与无线定位技术，欢迎讨论与指正！ 版权声明：本文版权归作者和博客园共有，转载请注明出处。