拓端tecdat|Python进行多输出（多因变量）回归：集成学习梯度提升决策树GRADIENT BOOSTING REGRESSOR回归训练和预测可视化

在之前的文章中，我们研究了许多使用 多输出​​回归分析​​的方法。在本教程中，我们将学习如何使用梯度提升决策树GRADIENT BOOSTING REGRESSOR拟合和预测多输出回归数据。对于给定的 x 输入数据，多输出数据包含多个目标标签。本教程涵盖：

1. 准备数据
2. 定义模型
3. 预测和可视化结果

我们将从加载本教程所需的库开始。
 

准备数据

首先，我们将为本教程创建一个多输出​​数据集​​。它是随机生成的数据，具有以下一些规则。该数据集中有三个输入和两个输出。我们将绘制生成的数据以直观地检查它。

1.   
2.  f = plt.figure()
3.  f.add_subplot(1,2,1)
4.  plt.title("Xs 输入数据")
5.  plt.plot(X)

接下来，我们将数据集拆分为训练和测试部分并检查数据形状。
 

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

定义模型

我们将定义模型。作为估计，我们将使用默认参数实现。可以通过 print 命令查看模型的参数。

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

现在，我们可以用训练数据拟合模型并检查训练结果。

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

预测和可视化结果 

我们将使用经过训练的模型预测测试数据，并检查 y1 和 y2 输出的 MSE 率。
 

predict

最后，我们将在图中​​可视化​​结果并直观地检查它们。

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

在本教程中，我们简要学习了如何在 Python 中训练了多输出数据集和预测的测试数据。