使用决策树算法预测随机森林回归算法标准化线性回归

最新推荐文章于 2024-08-22 09:38:43 发布

不再简简单单

最新推荐文章于 2024-08-22 09:38:43 发布

阅读量3.4k

点赞数 2

分类专栏：机器学习文章标签：随机森林回归算法决策树算法标准化线性回归

本文链接：https://blog.csdn.net/simple_start/article/details/99001585

版权

本文探讨了如何利用决策树和随机森林回归算法进行预测，并重点关注了数据预处理中的标准化方法。同时，文章也提到了线性回归在预测中的应用，比较了不同算法在预测效果上的差异。

摘要由CSDN通过智能技术生成

 /**
      * 使用决策树算法预测
      * def trainRegressor(
      * input: RDD[LabeledPoint],
      * categoricalFeaturesInfo: Map[Int, Int],
      *   An entry (n to k)ndicates that feature n is categorical with k categories
      *     n：表示的是  那个特征值是类别数据，写下标，从0 开始
      *     k:表示特征性类别个数，星期：7
      * impurity: String,
      *     计算特征值重要性指标，此处是回归，写死：variance
      * maxDepth: Int,
      *   最大数的深度
      * maxBins: Int
      *   树的最大分裂区间数
      * ): DecisionTreeModel = {
      */
    val dtModel: DecisionTreeModel = DecisionTree.trainRegressor(
      traningRDD,
      Map[Int, Int](0->7),
      "variance",
      16,
      32
    )


 //使用模型进行预测--得到预测值和实际值的比较
    val actualAndPredictRDD: RDD[(Double, Double)] = testingRDD.map{
      case LabeledPoint(label,features)=>{
        val predictValue = dtModel.predict(features)
        (label,predictValue)
      }
    }