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回归训练和预测可视化

最近我们被客户要求撰写关于回归的研究报告，包括一些图形和统计输出。 

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梯度提升决策树GRADIENT BOOSTING REGRESSOR拟合和预测多输出回归数据。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：

1. 准备数据
2. 定义模型
3. 预测和可视化结果

我们将从加载本教程所需的库开始。

相关视频：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

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

，时长10:25

 视频：从决策树到随机森林：R语言信用卡违约分析信贷数据实例

从决策树到随机森林：R语言信用卡违约分析信贷数据实例

，时长10:11

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。
 

f = plt.figure()
f.add_subplot(1,2,1)
plt.title("Xs 输入数据")
plt.plot(X)

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。
 

print("xtrain:", xtrain.shape, "ytrian:", ytrain.shape)

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。

model = MutRer(es=gbr)
print(model )

现在，我们可以用训练数据拟合模型并检查训练结果。
 

fit(xtrain, ytrain)
score(xtrain, ytrain)

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。
 

predict

 
最后，我们将在图中可视化结果并直观地检查它们。

xax = range(len)
plt.plot
plt.legend

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。 

---