EL之RF(隨機性的Bagging+DTR)：利用隨機選擇屬性的bagging方法解決回歸(對多變量的數據集+實數值評分預測)問題

?

?

目錄

輸出結果

設計思路

核心代碼

---

?

?

?

輸出結果

?

設計思路

?

核心代碼

for iTrees in range(numTreesMax):modelList.append(DecisionTreeRegressor(max_depth=treeDepth))#第一個隨機：隨機抽取屬性樣本 idxAttr = random.sample(range(ncols), nAttr)idxAttr.sort()indexList.append(idxAttr)#第二個隨機：隨機抽取訓練行樣本idxRows = []for i in range(int(0.5 * nTrainRows)):idxRows.append(random.choice(range(len(xTrain))))idxRows.sort()xRfTrain = []yRfTrain = []for i in range(len(idxRows)):temp = [xTrain[idxRows[i]][j] for j in idxAttr]xRfTrain.append(temp)yRfTrain.append(yTrain[idxRows[i]])modelList[-1].fit(xRfTrain, yRfTrain)xRfTest = []for xx in xTest:temp = [xx[i] for i in idxAttr]xRfTest.append(temp)latestOutSamplePrediction = modelList[-1].predict(xRfTest)predList.append(list(latestOutSamplePrediction))

?

總結

以上是生活随笔為你收集整理的EL之RF(随机性的Bagging+DTR)：利用随机选择属性的bagging方法解决回归(对多变量的数据集+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。