Python回归预测汇总-集成模型（实例：美国波士顿地区房价预测）

介绍

这里除了继续使用普通随机森林和提升树模型的回归器版本之外,还要补充介绍随机森林模型的另-一个变种:极端随机森林( Extremely RandomizedTrees)。与普通的随机森林(RandomForests)模型不同的是，极端随机森林在每当构建一棵树的分裂节点(node)的时候,不会任意地选取特征;而是先随机收集一部 分特征，然后利用信息熵(Information Gain)和基尼不纯性(Gini Impurity)等指标挑选最佳的节点特征。

美国波士顿地区房价预测

这里我们利用前一篇文章Python回归预测汇总-线性回归（实例：美国波士顿地区房价预测）的数据继续进行支持向量机集成模型回归预测。

预测

from sklearn.ensemble import RandomForestRegressor,ExtraTreesRegressor,GradientBoostingRegressor
rfr=RandomForestRegressor()
rfr.fit(x_train,y_train)
rfr_y_pred=rfr.predict(x_test)

etr=ExtraTreesRegressor()
etr.fit(x_train,y_train)
etr_y_pred=etr.predict(x_test)

gbr=GradientBoostingRegressor()
gbr.fit(x_train,y_train)
gbr_y_pred=etr.predict(x_test)

性能测评

#模型自带评估模块
print("正确率为：\n",rfr.s