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,GBR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拟合和预测多输出回归数据。

由Kaizong Ye,Liao Bao撰写

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:

  • 准备数据
  • 定义模型
  • 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。

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。


视频

Boosting集成学习原理与R语言提升回归树BRT预测短鳍鳗分布生态学实例

探索见解

去bilibili观看

探索更多视频

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。

现在,我们可以用训练数据拟合模型并检查训练结果。


R语言样条曲线、决策树、Adaboost、梯度提升(GBM)算法进行回归、分类和动态可视化

阅读文章


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。


随时关注您喜欢的主题



最后,我们将在图中可视化结果并直观地检查它们。

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。


可下载资源

关于作者

Kaizong Ye拓端研究室(TRL)的研究员。

本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。

​非常感谢您阅读本文,如需帮助请联系我们!

 
QQ在线咨询
售前咨询热线
15121130882
售后咨询热线
0571-63341498

关注有关新文章的微信公众号


永远不要错过任何见解。当新文章发表时,我们会通过微信公众号向您推送。

技术干货

最新洞察

This will close in 0 seconds