0
点赞
收藏
分享

微信扫一扫

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

大明宫 2022-11-06 阅读 159

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。

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_数据集

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_数据集

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 )

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_数据_03

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

 

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_r语言_04


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

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_数据集_05

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。 

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_r语言_06

举报

相关推荐

0 条评论