Python实现深度森林(Deep Forest)回归模型(deepforest回归算法)项目实战

说明：这是一个机器学习实战项目（附带数据+代码+文档+视频讲解），如需数据+代码+文档+视频讲解可以直接到文章最后获取。

1.项目背景

随着大数据和人工智能技术的发展，机器学习已成为解决各种复杂问题的强大工具。在众多机器学习模型中，深度学习以其卓越的表现力和灵活性在多个领域取得了显著的成功。然而，在一些特定的应用场景下，如需要快速响应、低延迟或者对于模型的可解释性有较高要求的情况下，传统机器学习方法仍然是非常有效的选择。

深度森林 (Deep Forest) 是一种模仿深度学习架构的集成学习方法，它结合了随机森林的优点与深度学习的层级特征提取能力。与传统的随机森林相比，深度森林通过构建多层随机子空间结构来实现特征的层次化提取，从而能够捕捉到更加复杂的非线性关系。此外，深度森林模型在训练速度、计算效率方面表现出色，且具有较强的可解释性，使其在资源受限或对实时性要求较高的场景中特别有用。。

本项目实现深度森林(Deep Forest)回归模型(deepforest回归算法)项目实战。  

2.数据获取

本次建模数据来源于网络(本项目撰写人整理而成)，数据项统计如下：

编号	变量名称	描述
1	x1
2	x2
3	x3
4	x4
5	x5
6	x6
7	x7
8	x8
9	x9
10	x10
11	y	因变量

数据详情如下(部分展示)：

3.数据预处理

3.1 用Pandas工具查看数据

使用Pandas工具的head()方法查看前五行数据：

关键代码：

3.2 数据缺失查看

使用Pandas工具的info()方法查看数据信息：

从上图可以看到，总共有11个变量，数据中无缺失值，共2000条数据。

关键代码：    

3.3 数据描述性统计

通过Pandas工具的describe()方法来查看数据的平均值、标准差、最小值、分位数、最大值。

关键代码如下：     

4.探索性数据分析

4.1 y变量直方图

用Matplotlib工具的hist()方法绘制直方图：

从上图可以看到，y变量主要集中在-400~400之间。

4.2 相关性分析

从上图中可以看到，数值越大相关性越强，正值是正相关、负值是负相关。 

5.特征工程

5.1 建立特征数据和标签数据

关键代码如下：

5.2 数据集拆分

通过train_test_split()方法按照80%训练集、20%测试集进行划分，关键代码如下：

6.构建深度森林回归模型

主要基于深度森林deepforest回归算法，用于目标回归。 

6.1 构建模型

编号	模型名称	调优参数
1	深度森林回归模型	n_estimators=2
2		min_samples_leaf=1

7.模型评估 

7.1 评估指标及结果

评估指标主要包括可解释方差值、平均绝对误差、均方误差、R方值等等。

模型名称	指标名称	指标值
测试集
深度森林回归模型	R方	0.959
	均方误差	1526.6021
	可解释方差值	0.959
	平均绝对误差	27.8479

从上表可以看出，R方0.959，为模型效果较好。

关键代码如下： 

7.2 真实值与预测值对比图

从上图可以看出真实值和预测值波动基本一致，模型拟合效果良好。    

8.结论与展望

综上所述，本文采用了基于深度森林deepforest回归算法来构建回归模型，最终证明了我们提出的模型效果良好。此模型可用于日常产品的预测。 

# 本次机器学习项目实战所需的资料，项目资源如下：
 
# 项目说明：
 
# 获取方式一：
 
# 项目实战合集导航：
 
https://docs.qq.com/sheet/DTVd0Y2NNQUlWcmd6?tab=BB08J2
 
# 获取方式二：
 
链接：https://pan.baidu.com/s/1WTzV5veiQ76Gw1ri_YIgbg 
提取码：s5sn