EL之GB(GBC)：利用GB对二分类问题进行建模并评估

最新推荐文章于 2023-05-23 20:25:53 发布

一个处女座的程序猿

最新推荐文章于 2023-05-23 20:25:53 发布

阅读量1w

点赞数 4

分类专栏： Algorithm/Interview

本文链接：https://blog.csdn.net/qq_41185868/article/details/86433636

版权

Algorithm/Interview 专栏收录该内容

103 篇文章

订阅专栏

本文对比了纯GB算法与以RF为基学习器的GB算法在二分类问题上的表现，详细记录了实验设置，包括参数选择如n_estimators=2000, max_depth=3, learning_rate=0.007等，并通过AUC评估了两种模型的性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

EL之GB(GBC)：利用GB对二分类问题进行建模并评估

输出结果

T1、纯GB算法

T2、以RF为基学习器的GB算法

设计思路

核心代码

# nEst = 2000
# depth = 3
# learnRate = 0.007
# maxFeatures = None


nEst = 2000
depth = 3
learnRate = 0.007
maxFeatures = 20

rockVMinesGBMModel = ensemble.GradientBoostingClassifier(n_estimators=nEst, max_depth=depth,
                                                         learning_rate=learnRate,
                                                         max_features=maxFeatures)

rockVMinesGBMModel.fit(xTrain, yTrain)

auc = []
aucBest = 0.0
predictions = rockVMinesGBMModel.staged_decision_function(xTest)
for p in predictions:
    aucCalc = roc_auc_score(yTest, p)
    auc.append(aucCalc)

    if aucCalc > aucBest:
        aucBest = aucCalc
        pBest = p