时间序列预测 | Adaboost时间序列预测建模，单步、多步（Python）

AdaBoost回归

（1）代码解读

sklearn.ensemble.AdaBoostRegressor(estimator=None, *, n_estimators=50, learning_rate=1.0, loss=‘linear’, random_state=None, base_estimator=‘deprecated’)
咋一看，跟AdaBoostClassifier（用于分类，上传送门）参数也差不多，因此，我们列举出它们相同和不同的地方，便于对比记忆：

共同的参数：

base_estimator: 基估计器用于训练弱学习器。如果为 None，分类器默认使用决策树分类器，而回归器默认使用决策树回归器。

n_estimators: 最大的弱学习器数量。

learning_rate: 按指定的学习率缩小每个弱学习器的贡献。

random_state: 随机数生成器的种子或随机数生成器。

algorithm: 用于 AdaBoost 算法的执行版本。在分类器中是 {“SAMME”, “SAMME.R”}，在回归器中只有 “SAMME”。

差异：

AdaBoostClassifier 特有参数：

algorithm: 可选的执行算法可以是 “SAMME” 或 “SAMME.R”。默认为 “SAMME.R”。其中 “SAMME.R” 是 “SAMME” 的实值版本，它通常表现得更好，因为它依赖于类别概率，而不是类别预测。

AdaBoostRegressor 特有参数：

loss: 在增加新的弱学习器时用于更新权重的损失函数。可选的值包括 ‘linear’, ‘square’, 和 ‘exponential’。</