原文連結：http://tecdat.cn/?p=25939

原文出處：拓端資料部落公眾號

在之前的文章中，我們研究了許多使用 多輸出迴歸分析的方法。在本教程中，我們將學習如何使用梯度提升決策樹GRADIENT BOOSTING REGRESSOR擬合和預測多輸出迴歸資料。對於給定的 x 輸入資料，多輸出資料包含多個目標標籤。本教程涵蓋：

1. 準備資料
2. 定義模型
3. 預測和視覺化結果

我們將從載入本教程所需的庫開始。
 

準備資料

首先，我們將為本教程建立一個多輸出資料集。它是隨機生成的資料，具有以下一些規則。該資料集中有三個輸入和兩個輸出。我們將繪製生成的資料以直觀地檢查它。
 

1.    
2.   f = plt.figure()
3.   f.add_subplot(1,2,1)
4.   plt.title("Xs 輸入資料")
5.   plt.plot(X)

接下來，我們將資料集拆分為訓練和測試部分並檢查資料形狀。
 

print("xtrain:", xtrain.shape, "ytrian:", ytrain.shape)

定義模型

我們將定義模型。作為估計，我們將使用預設引數實現。可以通過 print 命令檢視模型的引數。

1.    
2.   model = MutRer(es=gbr)
3.   print(model )

現在，我們可以用訓練資料擬合模型並檢查訓練結果。
 

1.   fit(xtrain, ytrain)
2.   score(xtrain, ytrain)
3.    

預測和視覺化結果 

我們將使用經過訓練的模型預測測試資料，並檢查 y1 和 y2 輸出的 MSE 率。
 

predict

 
最後，我們將在圖中視覺化結果並直觀地檢查它們。

1.   xax = range(len)
2.   plt.plot
3.   plt.legend

在本教程中，我們簡要學習瞭如何在 Python 中訓練了多輸出資料集和預測的測試資料。 

最受歡迎的見解

1.R語言多元Logistic邏輯迴歸 應用案例

2.面板平滑轉移回歸(PSTR)分析案例實現

3.matlab中的偏最小二乘迴歸（PLSR）和主成分迴歸（PCR）

4.R語言泊松Poisson迴歸模型分析案例

5.R語言迴歸中的Hosmer-Lemeshow擬合優度檢驗

6.r語言中對LASSO迴歸，Ridge嶺迴歸和Elastic Net模型實現

7.在R語言中實現Logistic邏輯迴歸

8.python用線性迴歸預測股票價格

9.R語言如何在生存分析與Cox迴歸中計算IDI，NRI指標