ML之回归预测：利用多个算法模型(LassoR、KernelRidgeR、ElasticNetR、GBR、LGBMR、XGBR)对国内某平台上海2020年6月份房价数据集【12+1】进行回归预测

最新推荐文章于 2024-02-17 13:40:55 发布
最新推荐文章于 2024-02-17 13:40:55 发布
阅读量5.1k 收藏 22
点赞数 5
分类专栏： ML
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41185868/article/details/108542277
版权
ML 专栏收录该内容
514 篇文章 131 订阅
订阅专栏

ML之回归预测：利用多个算法模型(LassoR、KernelRidgeR、ElasticNetR、GBR、LGBMR、XGBR)对国内某平台上海2020年6月份房价数据集【12+1】进行回归预测(包括特征工程和单参数调参)

 

 

 

 

目录

利用多个算法模型(LassoR、KernelRidgeR、ElasticNetR、GBR、LGBMR、XGBR)对对国内某平台上海2020年6月份房价数据集【12+1】进行回归预测(包括特征工程)

1、LassoR

2、KernelRidgeR

3、ElasticNetR

4、GBR

5、LGBMR

6、XGBR

 

 

相关文章
ML之FE：利用【数据分析+数据处理】算法对国内某平台上海2020年6月份房价数据集【12+1】进行特征工程处理(史上最完整，建议收藏)
ML之FE：利用【数据分析+数据处理】算法对国内某平台上海2020年6月份房价数据集【12+1】进行特征工程处理实现
ML之FE：利用【数据分析+数据处理】算法对国内某平台上海2020年6月份房价数据集【12+1】进行特征工程处理(史上最完整，建议收藏)——附录
ML之FE：利用【数据分析+数据处理】算法对国内某平台上海2020年6月份房价数据集【12+1】进行特征工程处理实现
ML之回归预测：利用多个算法模型(LassoR、KernelRidgeR、ElasticNetR、GBR、LGBMR、XGBR)对国内某平台上海2020年6月份房价数据集【12+1】进行回归预测
ML之回归预测：利用多个算法模型(LassoR、KernelRidgeR、ElasticNetR、GBR、LGBMR、XGBR)对国内某平台上海2020年6月份房价数据集【12+1】进行回归预测实现

利用多个算法模型(LassoR、KernelRidgeR、ElasticNetR、GBR、LGBMR、XGBR)对对国内某平台上海2020年6月份房价数据集【12+1】进行回归预测(包括特征工程)

1、LassoR

LassoR-0.5 Score value: -0.0005055552395767382
LassoR-0.5 R2    value: -0.0005055552395767382
LassoR-0.5 MAE   value: 0.09939996261234317
LassoR-0.5 MSE   value: 0.015779522350425033

LassoR-0.05 Score value: 0.5022404879755265
LassoR-0.05 R2    value: 0.5022404879755265
LassoR-0.05 MAE   value: 0.07037495216160995
LassoR-0.05 MSE   value: 0.007850438514802703

LassoR-0.01 Score value: 0.9688284646643495
LassoR-0.01 R2    value: 0.9688284646643495
LassoR-0.01 MAE   value: 0.017225365757314693
LassoR-0.01 MSE   value: 0.0004916233957423449

LassoR-0.005 Score value: 0.9837696043172183
LassoR-0.005 R2    value: 0.9837696043172183
LassoR-0.005 MAE   value: 0.012281723604764734
LassoR-0.005 MSE   value: 0.0002559784801708263

LassoR-0.001 Score value: 0.9898771362261237
LassoR-0.001 R2    value: 0.9898771362261237
LassoR-0.001 MAE   value: 0.009067394814047579
LassoR-0.001 MSE   value: 0.00015965324163736406

LassoR-0.0001 Score value: 0.9942215817581104
LassoR-0.0001 R2    value: 0.9942215817581104
LassoR-0.0001 MAE   value: 0.0067102545940495514
LassoR-0.0001 MSE   value: 9.113460622032017e-05




[-0.0005055552395767382, 0.5022404879755265, 0.9688284646643495, 0.9837696043172183, 0.9898771362261237, 0.9942215817581104]

 

 

2、KernelRidgeR

KernelRidgeR-0.5 Score value: 0.9544414613254653
KernelRidgeR-0.5 R2    value: 0.9544414613254653
KernelRidgeR-0.5 MAE   value: 0.020348726878028075
KernelRidgeR-0.5 MSE   value: 0.0007185287233066692

KernelRidgeR-0.05 Score value: 0.992221974943464
KernelRidgeR-0.05 R2    value: 0.992221974943464
KernelRidgeR-0.05 MAE   value: 0.008029713794101924
KernelRidgeR-0.05 MSE   value: 0.00012267150300068682

KernelRidgeR-0.01 Score value: 0.9953080928564902
KernelRidgeR-0.01 R2    value: 0.9953080928564902
KernelRidgeR-0.01 MAE   value: 0.006042556218634196
KernelRidgeR-0.01 MSE   value: 7.3998643235321e-05

KernelRidgeR-0.005 Score value: 0.9961880311177832
KernelRidgeR-0.005 R2    value: 0.9961880311177832
KernelRidgeR-0.005 MAE   value: 0.005338518159253265
KernelRidgeR-0.005 MSE   value: 6.012065386449663e-05

KernelRidgeR-0.001 Score value: 0.9973841188580002
KernelRidgeR-0.001 R2    value: 0.9973841188580002
KernelRidgeR-0.001 MAE   value: 0.004183983328177061
KernelRidgeR-0.001 MSE   value: 4.125649750775996e-05

KernelRidgeR-0.0001 Score value: 0.9977701958859504
KernelRidgeR-0.0001 R2    value: 0.9977701958859504
KernelRidgeR-0.0001 MAE   value: 0.0036901575950436236
KernelRidgeR-0.0001 MSE   value: 3.516746475864464e-05




[0.9544414613254653, 0.992221974943464, 0.9953080928564902, 0.9961880311177832, 0.9973841188580002, 0.9977701958859504]

 

 

3、ElasticNetR

ElasticNetR-0.5 Score value: -0.0005308426992141069
ElasticNetR-0.5 R2    value: -0.0005308426992141069
ElasticNetR-0.5 MAE   value: 0.09940889668350568
ElasticNetR-0.5 MSE   value: 0.015779921172832806

ElasticNetR-0.05 Score value: 0.5909997356551588
ElasticNetR-0.05 R2    value: 0.5909997356551588
ElasticNetR-0.05 MAE   value: 0.06384977771594441
ElasticNetR-0.05 MSE   value: 0.006450567694263088

ElasticNetR-0.01 Score value: 0.9722470175744828
ElasticNetR-0.01 R2    value: 0.9722470175744828
ElasticNetR-0.01 MAE   value: 0.01621461543934733
ElasticNetR-0.01 MSE   value: 0.00043770752114368465

ElasticNetR-0.005 Score value: 0.9846441765684218
ElasticNetR-0.005 R2    value: 0.9846441765684218
ElasticNetR-0.005 MAE   value: 0.01189698639426006
ElasticNetR-0.005 MSE   value: 0.00024218512109085247

ElasticNetR-0.001 Score value: 0.9902182047362088
ElasticNetR-0.001 R2    value: 0.9902182047362088
ElasticNetR-0.001 MAE   value: 0.00886838381299399
ElasticNetR-0.001 MSE   value: 0.00015427406293142925

ElasticNetR-0.0001 Score value: 0.9942704213728978
ElasticNetR-0.0001 R2    value: 0.9942704213728978
ElasticNetR-0.0001 MAE   value: 0.006695706278914398
ElasticNetR-0.0001 MSE   value: 9.036432984445262e-05




[-0.0005308426992141069, 0.5909997356551588, 0.9722470175744828, 0.9846441765684218, 0.9902182047362088, 0.9942704213728978]

 

4、GBR

GBR-1
GBR-1 Score value: 0.9763666115566574
GBR-1 R2    value: 0.9763666115566574
GBR-1 MAE   value: 0.012052516368497329
GBR-1 MSE   value: 0.00037273514295350755

GBR-2
GBR-2 Score value: 0.9926847727617255
GBR-2 R2    value: 0.9926847727617255
GBR-2 MAE   value: 0.008012779193494083
GBR-2 MSE   value: 0.0001153724645508341

GBR-3
GBR-3 Score value: 0.9958318342325574
GBR-3 R2    value: 0.9958318342325574
GBR-3 MAE   value: 0.005714597302721484
GBR-3 MSE   value: 6.573843047966691e-05

GBR-4
GBR-4 Score value: 0.9958185134836749
GBR-4 R2    value: 0.9958185134836749
GBR-4 MAE   value: 0.004795477929089135
GBR-4 MSE   value: 6.594851932286696e-05

GBR-5
GBR-5 Score value: 0.9936308502387022
GBR-5 R2    value: 0.9936308502387022
GBR-5 MAE   value: 0.004648655284013917
GBR-5 MSE   value: 0.00010045135730159553

GBR-6
GBR-6 Score value: 0.9928564661943613
GBR-6 R2    value: 0.9928564661943613
GBR-6 MAE   value: 0.004401292926689321
GBR-6 MSE   value: 0.00011266459317169972

GBR-7
GBR-7 Score value: 0.9902977868325656
GBR-7 R2    value: 0.9902977868325656
GBR-7 MAE   value: 0.004428399093689221
GBR-7 MSE   value: 0.0001530189300023011

GBR-8
GBR-8 Score value: 0.9869749160018195
GBR-8 R2    value: 0.9869749160018195
GBR-8 MAE   value: 0.004718971897735163
GBR-8 MSE   value: 0.00020542575000119555

GBR-9
GBR-9 Score value: 0.9853247317034755
GBR-9 R2    value: 0.9853247317034755
GBR-9 MAE   value: 0.0050509572638206945
GBR-9 MSE   value: 0.00023145171245755048

GBR-10
GBR-10 Score value: 0.9838819868698998
GBR-10 R2    value: 0.9838819868698998
GBR-10 MAE   value: 0.005661280988227483
GBR-10 MSE   value: 0.000254206033238824

GBR-11
GBR-11 Score value: 0.9830335256911121
GBR-11 R2    value: 0.9830335256911121
GBR-11 MAE   value: 0.006145980498176065
GBR-11 MSE   value: 0.0002675875802617618




[0.9763666115566574, 0.9926847727617255, 0.9958318342325574, 0.9958185134836749, 0.9936308502387022, 0.9928564661943613, 0.9902977868325656, 0.9869749160018195, 0.9853247317034755, 0.9838819868698998, 0.9830335256911121]

 

5、LGBMR

 

LGBMR-0.001
LGBMR-0.001 Score value: 0.16876197122096692
LGBMR-0.001 R2    value: 0.16876197122096692
LGBMR-0.001 MAE   value: 0.09046580583395379
LGBMR-0.001 MSE   value: 0.013109911269309412

LGBMR-0.005
LGBMR-0.005 Score value: 0.600585544258686
LGBMR-0.005 R2    value: 0.600585544258686
LGBMR-0.005 MAE   value: 0.062265161731615705
LGBMR-0.005 MSE   value: 0.006299384644539756

LGBMR-0.01
LGBMR-0.01 Score value: 0.8337825446742081
LGBMR-0.01 R2    value: 0.8337825446742081
LGBMR-0.01 MAE   value: 0.0391266729122725
LGBMR-0.01 MSE   value: 0.0026215067348787035

LGBMR-0.05
LGBMR-0.05 Score value: 0.9913041321780923
LGBMR-0.05 R2    value: 0.9913041321780923
LGBMR-0.05 MAE   value: 0.005162800605481635
LGBMR-0.05 MSE   value: 0.0001371473051134398

LGBMR-0.1
LGBMR-0.1 Score value: 0.9930306170725406
LGBMR-0.1 R2    value: 0.9930306170725406
LGBMR-0.1 MAE   value: 0.004702627111296393
LGBMR-0.1 MSE   value: 0.00010991796406985765

LGBMR-0.3
LGBMR-0.3 Score value: 0.9943329790691453
LGBMR-0.3 R2    value: 0.9943329790691453
LGBMR-0.3 MAE   value: 0.004947701938557634
LGBMR-0.3 MSE   value: 8.937769807518515e-05

LGBMR-0.5
LGBMR-0.5 Score value: 0.9923225863703856
LGBMR-0.5 R2    value: 0.9923225863703856
LGBMR-0.5 MAE   value: 0.006078772753272445
LGBMR-0.5 MSE   value: 0.00012108470495493492

LGBMR-0.8
LGBMR-0.8 Score value: 0.9850122706624084
LGBMR-0.8 R2    value: 0.9850122706624084
LGBMR-0.8 MAE   value: 0.008351662282985653
LGBMR-0.8 MSE   value: 0.00023637970706521245




[0.16876197122096692, 0.600585544258686, 0.8337825446742081, 0.9913041321780923, 0.9930306170725406, 0.9943329790691453, 0.9923225863703856, 0.9850122706624084]

 

6、XGBR

XGBR-0.001
XGBR-0.001 Score value: -166.74203034694682
XGBR-0.001 R2    value: -166.74203034694682
XGBR-0.001 MAE   value: 1.6222131885073523
XGBR-0.001 MSE   value: 2.6455516444698888

XGBR-0.005
XGBR-0.005 Score value: -74.51589484580421
XGBR-0.005 R2    value: -74.51589484580421
XGBR-0.005 MAE   value: 1.0873952054959475
XGBR-0.005 MSE   value: 1.1910026329102963

XGBR-0.01
XGBR-0.01 Score value: -26.747645189967315
XGBR-0.01 R2    value: -26.747645189967315
XGBR-0.01 MAE   value: 0.6580440584800581
XGBR-0.01 MSE   value: 0.43762334467189284

XGBR-0.05
XGBR-0.05 Score value: 0.9828950831664092
XGBR-0.05 R2    value: 0.9828950831664092
XGBR-0.05 MAE   value: 0.013051145715410249
XGBR-0.05 MSE   value: 0.0002697710333184286

XGBR-0.1
XGBR-0.1 Score value: 0.9957552489177933
XGBR-0.1 R2    value: 0.9957552489177933
XGBR-0.1 MAE   value: 0.006227088292841316
XGBR-0.1 MSE   value: 6.694629952117871e-05

XGBR-0.3
XGBR-0.3 Score value: 0.9921237303622439
XGBR-0.3 R2    value: 0.9921237303622439
XGBR-0.3 MAE   value: 0.008735198405534918
XGBR-0.3 MSE   value: 0.00012422097222357384




[-166.74203034694682, -74.51589484580421, -26.747645189967315, 0.9828950831664092, 0.9957552489177933, 0.9921237303622439]

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

一个处女座的程序猿
关注
  • 5
    点赞
  • 踩
  • 22
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
决策树回归预测--波士顿房价
需要远程指导仿真实验、代码有问题的，请后台私信或者关注公众号
06-13 818
决策树回归预测--波士顿房价
机器学习（十九）：梯度提升回归(GBR)
全栈川川
08-03 3399
机器学习中的梯度提升回归算法原理与案例实战。
XGB算法梳理
erciyuan_的博客
04-10 594
引言 XGBoost（eXtreme Gradient Boosting）是大规模并行boosted tree的工具，它是目前最快最好的开源boosted tree工具包，比常见的工具包快10倍以上。在数据科学方面，有大量kaggle选手选用它进行数据挖掘比赛，如果你的算法预测结果不好，赶紧试试XGBoost吧。在工业界规模方面，xgboost的分布式版本有广泛的可移植性，支持在YARN, MPI...
ML之回归预测：利用6个单独+2个集成模型(LassoR、KernelRidgeR、ElasticNetR、GBR、XGBR、LGBMR，Avg、Stacking)对自动驾驶数据集【5+1】回归预测
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
07-13 5850
ML之回归预测：利用6个单独+2个集成模型(LassoR、KernelRidgeR、ElasticNetR、GBR、XGBR、LGBMR，Avg、Stacking)对自动驾驶数据集【5+1】进行回归预测 目录 利用6个单独+2个集成模型(LassoR、KernelRidgeR、ElasticNetR、GBR、XGBR、LGBMR，Avg、Stacking)对自动驾驶数据集【5+1】进行回归预测 输出结果 实现代码 利用6个单独+2个集成模型(LassoR、KernelRidgeR、El..
Ｒ－lasso 回归
Zstarling的博客
03-22 1431
数据读取 data.fl <- read.csv(“D:\important APP\study\R\data1.csv”,header=T, encoding=“UTF-8”) names(data.fl) dim(data.fl) 先做一个正常的回归看看效果 fit.fl.lm <- lm(Prfmc~., data.fl) summary(fit.fl.lm) 对X，Y赋值 Y <- data.fl[,18]# extract Y X.fl <- model.matrix(P
手把手教你使用R语言做LASSO 回归
热门推荐
dege857的博客
12-25 8万+
LASSO 回归也叫套索回归，是通过生成一个惩罚函数是回归模型中的变量系数进行压缩，达到防止过度拟合，解决严重共线性的问题，LASSO 回归最先由英国人Robert Tibshirani提出，目前在预测模型中应用非常广泛。在新格兰文献中，有大牛提出，对于变量过多而且变量数较少的模型拟合，首先要考虑使用LASSO 惩罚函数。今天我们来讲讲怎么使用R语言通过LASSO 回归构造预测模型。 首先我们要下载R的glmnet包，由 LASSO 回归的发明人，斯坦福统计学家 Trevor Hastie 领衔开发。 加载
梯度提升回归(Gradient boosting regression,GBR) 学习笔记以及代码实现&permutation_importance（PI）
weixin_45928096的博客
05-14 1万+
梯度提升回归(Gradient boosting regression，GBR)是一种从它的错误中进行学习的技术。它本质上就是集思广益，集成一堆较差的学习算法进行学习。有两点需要注意： ①每个学习算法准确率都不高。但是它们集成起来可以获得很好的准确率。 ②这些学习算法依次应用。也就是说每个学习算法都是在前一个学习算法的错误中学习
house-price-prediction:使用线性回归和GBR预测房价
05-05
而GBR则是一种集成学习方法，通过组合多个弱预测器构建出一个强大的模型。以下是关于这两个模型及其在房价预测中的应用的详细讲解。 1. **线性回归**： - **基本原理**：线性回归假设因变量与自变量之间存在线性...
（python源码）基于python的机器学习算法实现，包括许多机器学习方法，如：SVM，rfr, gbr等
最新发布
05-15
基于Python的机器学习算法确实涵盖了许多不同的技术，包括但不限于支持向量机（SVM）、随机森林回归（RFR）和梯度提升回归（GBR）。下面我将分别简要介绍这三种算法。 支持向量机（Support Vector Machine, SVM） ...
python数据预测模型算法_Python+GBDT算法实战——预测实现100%准确率
weixin_39767322的博客
11-22 2339
在本文中，你将学习到以下内容：GBDT算法实现模型保存模型加载及预测前言GBDT属于Boosting算法，它是利用损失函数的负梯度方向在当前模型的值作为残差的近似值，进而拟合一棵CART回归树。GBDT的会累加所有树的结果，而这种累加是无法通过分类完成的，因此GBDT的树都是CART回归树，而不是分类树（尽管GBDT调整后也可以用于分类但不代表GBDT的树为分类树）。本文就是利用GBDT算法实现一...
LASSO回归实践
09-06
基于LASSO方法，在基金正式报告之前挖掘出基金重仓股。
R语言 所有分类数据回归
08-30
#glmnet包含有线性回归，逻辑回归，泊松计数模型，cox回归模型，多分类逻辑回归多响应线性回归 #阿法系数=0是岭回归，阿法系数=1，是lasso回归 ############################################################ data(QuickStartExample) #20 Independent variables and 1 dependent variable fit<-glmnet(x,y) #查看计算路径 print(fit)#Df是非零系数的个数，第三列是惩罚力度，第二列是相应的惩罚力度对应的解释偏差百分比 #利用coef来提取模型的系数 coef(fit,s=0.1) #可视化 plot(fit) #预测 #参数newx用来设置输入数据，s用来设置朗姆塔（惩罚力度）的值 nx<-matrix(rnorm(10*20),10,20) predict(fit,newx=nx,s=c(0.1,0.05)) #交叉验证，筛选最优的朗姆塔的值，cv.glmnet函数实现这个功能 cvfit<-cv.glmnet(x,y) plot(cvfit)#红色散点为交叉验证的散点图，两条垂直的虚线为交叉验证后选定的朗姆塔 #提取最优的朗姆塔的值 cvfit$lambda.min#均方误差最小 cvfit$lambda.1se#一倍标准差 #根据朗姆塔来取得系数 coef(cvfit,s='lambda.min') #将稀疏矩阵转化为传统矩阵 as.matrix(coef(cvfit,s='lambda.min'))
R语言实现Lasso回归
weixin_46587777的博客
11-26 3976
1. `Measure: Mean-Squared Error`：这一部分指示了用于评估模型性能的指标，这里使用的是均方误差（Mean-Squared Error），通常用于回归问题的性能度量，它衡量了模型的预测值与实际观测值之间的平均平方误差。较大的 λ（lambda) 会导致更多的系数变为零，从而降低模型的复杂性，而较小的 λ（lambda) 允许更多的非零系数，使模型更复杂。- **非零系数的特征：** 对于每个特征，从左到右的路径线表示了在 λ 增大的情况下系数的变化。系数可以是正数、负数或零。
Lasso回归——基于R语言实现
weixin_50249953的博客
02-17 3608
R语言在数据分析和机器学习方面目前也使用得比较多，很多前沿论文以及实战也是采用R语言进行，因此，对于R语言的学习也有一定的必要，今天给大家展示R语言是如何实现Lasso回归以及分析一下python和R语言在回归时的差别和注意点，并且相关代码也会同步上传到公众号，大家前往公众号获得。首先，我们先导入R语言所需要的包文件，使用到的核心包为"glmnet"包，如果大家没有安装，可以先安装该包文件，安装命令也会在代码中附上，安装完之后添加包依赖，如果已经安装，直接添加包依赖即可。
R语言实现LASSO回归——自己编写LASSO回归算法
拓端研究室TRL
01-28 1757
最近我们被客户要求撰写关于LASSO的研究报告，包括一些图形和统计输出。这篇文章中我们可以编写自己的代码来计算套索(lasso)回归，我们必须定义阈值函数。
ML之DT&RFR&ExtraTR&GBR：基于四种算法(DT、RFR、ExtraTR、GBR)对Boston(波士顿房价)数据集(506,13+1)进行价格回归预测并对比各自性能
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
02-25 7003
ML之DT&RFR&ExtraTR&GBR：基于四种算法(DT、RFR、ExtraTR、GBR)对Boston(波士顿房价)数据集(506,13+1)进行价格回归预测并对比各自性能 目录 输出结果 设计思路 核心代码 输出结果 Boston House Prices dataset ==================...
scikit-learn : GBR (Gradient boosting regression)
搬砖小工053
07-03 3万+
背景梯度提升回归（Gradient boosting regression，GBR）是一种从它的错误中进行学习的技术。它本质上就是集思广益，集成一堆较差的学习算法进行学习。有两点需要注意： - 每个学习算法准备率都不高，但是它们集成起来可以获得很好的准确率。 - 这些学习算法依次应用，也就是说每个学习算法都是在前一个学习算法的错误中学习准备模拟数据我们还是用基本的回归数据来演示GBR：impor
监督学习（四）：XGBoost算法
南有芙蕖
09-29 1965
监督学习（四）：XGBoost算法   XGBoost（eXtreme Gradient Boosting）全名叫极端梯度提升，XGBoost是集成学习方法的王牌，在Kaggle数据挖掘比赛中，大部分获胜者用了XGBoost，XGBoost在绝大多数的回归和分类问题上表现的十分顶尖，本文较详细的介绍了XGBoost的算法原理。 目录监督学习（四）：XGBoost算法1. 最优模型的构建方法2. Boosting的回归思想3. XGBoost的目标函数推导4. XGBoost的回归树构建方法5. XGBo
帮我用PYTHON写一个GBR模型
03-31
抱歉，我是一名AI语言模型，无法直接为您编写Python程序。但是，我可以为您提供一些关于建立GBR模型的基本步骤和代码示例。 基本步骤： 1. 加载数据集：使用Pandas或Numpy库加载数据集。 2. 数据预处理：包括数据清洗、缺失值填充、特征工程等。 3. 划分训练集和测试集：使用Sklearn库中的train_test_split()函数将数据集划分为训练集和测试集。 4. 建立GBR模型：使用Sklearn库中的GradientBoostingRegressor()函数建立GBR模型。 5. 模型训练：使用train()函数对模型进行训练。 6. 模型评估：使用Sklearn库中的r2_score()函数对模型进行评估。 7. 模型预测：使用predict()函数对新的数据进行预测。 代码示例： 下面是一个简单的GBR模型建立代码示例： ``` import pandas as pd import numpy as np from sklearn.model_selection import train_test_split from sklearn.ensemble import GradientBoostingRegressor from sklearn.metrics import r2_score # 加载数据集 data = pd.read_csv('data.csv') # 数据预处理 # ... # 划分训练集和测试集 X = data.drop('target', axis=1) y = data['target'] X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 建立GBR模型 gbr = GradientBoostingRegressor(n_estimators=100, learning_rate=0.1, max_depth=3, random_state=42) # 模型训练 gbr.fit(X_train, y_train) # 模型评估 y_pred = gbr.predict(X_test) print('R2 score:', r2_score(y_test, y_pred)) # 模型预测 # ... ``` 在此代码示例中，我们使用Sklearn库中的GradientBoostingRegressor()函数建立GBR模型，并使用train()函数对模型进行训练。我们还使用r2_score()函数对模型进行评估。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

一个处女座的程序猿

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值