EL之Bagging：利用Bagging算法實現回歸預測(實數值評分預測)問題

?

?

目錄

輸出結果

設計思路

核心思路

---

?

?

輸出結果

?

設計思路

?

核心思路

#4.1、當treeDepth=1，對圖進行可視化 #(1)、定義numTreesMax、treeDepth numTreesMax = 30 treeDepth = 1 # ----------------------▲▲▲▲▲modelList = [] predList = []#number of samples to draw for stochastic bagging nBagSamples = int(len(xTrain) * 0.5)for iTrees in range(numTreesMax):idxBag = []for i in range(nBagSamples):idxBag.append(random.choice(range(len(xTrain))))xTrainBag = [xTrain[i] for i in idxBag]yTrainBag = [yTrain[i] for i in idxBag]modelList.append(DecisionTreeRegressor(max_depth=treeDepth))modelList[-1].fit(xTrainBag, yTrainBag)latestPrediction = modelList[-1].predict(xTest)predList.append(list(latestPrediction))mse = [] allPredictions = [] for iModels in range(len(modelList)):prediction = []for iPred in range(len(xTest)):prediction.append(sum([predList[i][iPred] for i in range(iModels + 1)])/(iModels + 1))allPredictions.append(prediction)errors = [(yTest[i] - prediction[i]) for i in range(len(yTest))]mse.append(sum([e * e for e in errors]) / len(yTest))#4.2、當treeDepth=1，對圖進行可視化 #(1)、定義numTreesMax、treeDepth numTreesMax = 30 treeDepth = 5 # ----------------------▲▲▲▲▲#4.3、當treeDepth=12，對圖進行可視化 #(1)、定義numTreesMax、treeDepthnumTreesMax = 100 # ----------------------☆☆☆☆☆ treeDepth = 12 # ----------------------☆☆☆☆☆

?

?

?

《新程序員》：云原生和全面數字化實踐50位技術專家共同創作，文字、視頻、音頻交互閱讀

總結

以上是生活随笔為你收集整理的EL之Bagging：利用Bagging算法实现回归预测(实数值评分预测)问题的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。