决策树用于拟合带有附加噪声观测值的正弦曲线,因此,它学习了近似正弦曲线的局部线性回归。
如下图我们可以看到,如果树的最大深度(由max_depth
参数控制)设置得太高,则决策树将学习训练数据中过于精细的细节,并从噪声中学习,会过拟合。
print(__doc__)# 导入必要的模块和库
import numpy as np
from sklearn.tree import DecisionTreeRegressor
import matplotlib.pyplot as plt# 创建一个随机数据集
rng = np.random.RandomState(1)
X = np.sort(5 * rng.rand(80, 1), axis=0)
y = np.sin(X).ravel()y[::5] += 3 * (0.5 - rng.rand(16))# 拟合回归模型
regr_1 = DecisionTreeRegressor(max_depth=2)
regr_2 = DecisionTreeRegressor(max_depth=5)
regr_1.fit(X, y)
regr_2.fit(X, y)# 预测
X_test = np.arange(0.0, 5.0, 0.01)[:, np.newaxis]
y_1 = regr_1.predict(X_test)
y_2 = regr_2.predict(X_test)# 绘制结果
plt.figure()
plt.scatter(X, y, s=20, edgecolor="black",
c="darkorange", label="data")
plt.plot(X_test, y_1, color="cornflowerblue",
label="max_depth=2", linewidth=2)
plt.plot(X_test, y_2, color="yellowgreen", label="max_depth=5", linewidth=2)
plt.xlabel("data")
plt.ylabel("target")
plt.title("Decision Tree Regression")
plt.legend()
plt.show()
脚本的总运行时间:( 0 分 0.354 秒)
估计的内存使用量:8 MB
下载python源代码:plot_random_multilabel_dataset.py
下载Jupyter notebook源代码:plot_random_multilabel_dataset.ipynb
欢迎大家和我一起沿着scikit-learn文档这条路线,一起巩固机器学习算法基础。(添加微信:mthler,备注:sklearn学习,一起进【sklearn机器学习进步群】开启打怪升级的学习之旅。)