拓端tecdat|Python進行多輸出(多因變數)迴歸:整合學習梯度提升決策樹GRADIENT BOOSTING REGRESSOR迴歸訓練和預測視覺化
阿新 • • 發佈:2022-04-02
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:
- 準備資料
- 定義模型
- 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。
- f = plt.figure()
- f.add_subplot(1,2,1)
- plt.title("Xs 輸入資料")
- 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。
- model = MutRer(es=gbr)
- print(model )
現在,我們可以用訓練資料擬合模型並檢查訓練結果。
- fit(xtrain, ytrain)
- score(xtrain, ytrain)
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。
- xax = range(len)
- plt.plot
- 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
3.matlab中的偏最小二乘迴歸(PLSR)和主成分迴歸(PCR)
5.R語言迴歸中的Hosmer-Lemeshow擬合優度檢驗