模型树——就是回归树的分段常数预测修改为线性回归 对于非线性回归有较好的预测效果...

说完了树回归，再简单的提下模型树，因为树回归每个节点是一些特征和特征值，选取的原则是根据特征方差最小。如果把叶子节点换成分段线性函数，那么就变成了模型树，如（图六）所示：

 

（图六）

      （图六）中明显是两个直线组成，以X坐标（0.0-0.3）和（0.3-1.0）分成的两个线段。如果我们用两个叶子节点保存两个线性回归模型，就完成了这部分数据的拟合。实现也比较简单，代码如下：

[python]  view plain  copy

 

1. def linearSolve(dataSet):   #helper function used in two places  
2.     m,n = shape(dataSet)  
3.     X = mat(ones((m,n))); Y = mat(ones((m,1)))#create a copy of data with 1 in 0th postion  
4.     X[:,1:n] = dataSet[:,0:n-1]; Y = dataSet[:,-1]#and strip out Y  
5.     xTx = X.T*X  
6.     if linalg.det(xTx) == 0.0:  
7.         raise NameError('This matrix is singular, cannot do inverse,\n\  
8.         try increasing the second value of ops')  
9.     ws = xTx.I * (X.T * Y)  
10.     return ws,X,Y  
11.   
12. def modelLeaf(dataSet):#create linear model and return coeficients  
13.     ws,X,Y = linearSolve(dataSet)  
14.     return ws  
15.   
16. def modelErr(dataSet):  
17.     ws,X,Y = linearSolve(dataSet)  
18.     yHat = X * ws  
19.     return sum(power(Y - yHat,2))  

 

       代码和树回归相似，只不过modelLeaf在返回叶子节点时，要完成一个线性回归，由linearSolve来完成。最后一个函数modelErr则和回归树的regErr函数起着同样的作用。

谢天谢地，这篇文章一个公式都没有出现，但同时也希望没有数学的语言，表述会清楚。

 

数据ex00.txt：

0.036098 0.155096

xxx

 

转载请注明来源：http://blog.csdn.net/cuoqu/article/details/9502711

 

参考文献：

      [1] machine learning in action.Peter Harrington 

转载于:https://www.cnblogs.com/bonelee/p/7241794.html