sklearn机器学习之【常见套路代码】

最新推荐文章于 2024-03-13 11:59:38 发布

黄振麟

最新推荐文章于 2024-03-13 11:59:38 发布

阅读量536

点赞数

分类专栏：机器学习项目实践文章标签： sklearn python 机器学习随机森林

本文链接：https://blog.csdn.net/qq_42419985/article/details/88561720

版权

本文介绍了如何利用sklearn的随机森林学习器处理数据中缺失值的问题，提供了一种在缺乏领域知识时进行数据预处理的实用方法。

摘要由CSDN通过智能技术生成

（精髓源自：B站 July-Online 实战视频）使用sklearn随机森林学习器预测（填补）缺失值：这个很有用，对于手头上没有相关领域知识时挺管用，收藏！

from sklearn.ensemble import RandomForestRegressor #随机森林回归；
 
### 例如 使用 RandomForest 填补缺失的年龄属性
def set_missing_ages(df):
    
    # 把已有的数值型特征取出来丢进Random Forest Regressor中
    age_df = df[['Age','Fare', 'Parch', 'SibSp', 'Pclass']]

    # 乘客分成已知年龄和未知年龄两部分
    known_age = age_df[age_df.Age.notnull()].as_matrix()
    unknown_age = age_df[age_df.Age.isnull()].as_matrix()

    # y即目标年龄
    y = known_age[:, 0]

    # X即特征属性值
    X = known_age[:, 1:]

    # fit到RandomForestRegressor之中
    rfr = RandomForestRegressor(random_state=0, n_estimators=2000, n_jobs=-1)
    rfr.fit(X, y)
    
    # 用得到的模型进行未知年龄结果预测
    predictedAg