原文链接： http://tecdat.cn/?p=25939

最近咱们被客户要求撰写对于多输入（多因变量）回归的钻研报告，包含一些图形和统计输入。

在之前的文章中，咱们钻研了许多应用 多输入回归剖析的办法。在本教程中，咱们将学习如何应用梯度晋升决策树GRADIENT BOOSTING REGRESSOR拟合和预测多输入回归数据。对于给定的 x 输出数据，多输入数据蕴含多个指标标签。本教程涵盖：

  • 筹备数据
  • 定义模型
  • 预测和可视化后果

咱们将从加载本教程所需的库开始。

**

拓端

，赞30

**

拓端

，赞16

筹备数据

首先，咱们将为本教程创立一个多输入数据集。它是随机生成的数据，具备以下一些规定。该数据集中有三个输出和两个输入。咱们将绘制生成的数据以直观地查看它。

f = plt.figure()f.add_subplot(1,2,1)plt.title("Xs 输出数据")plt.plot(X)

接下来，咱们将数据集拆分为训练和测试局部并检查数据形态。

print("xtrain:", xtrain.shape, "ytrian:", ytrain.shape)

点击题目查阅往期内容

R语言样条曲线、决策树、Adaboost、梯度晋升(GBM)算法进行回归、分类和动静可视化

左右滑动查看更多

01

02

03

04

定义模型

咱们将定义模型。作为预计，咱们将应用默认参数实现。能够通过 print 命令查看模型的参数。

model = MutRer(es=gbr)print(model )

当初，咱们能够用训练数据拟合模型并查看训练后果。

fit(xtrain, ytrain)score(xtrain, ytrain)

预测和可视化后果 

咱们将应用经过训练的模型预测测试数据，并查看 y1 和 y2 输入的 MSE 率。

predict

\
最初，咱们将在图中可视化后果并直观地查看它们。

xax = range(len)plt.plotplt.legend

在本教程中，咱们简要学习了如何在 Python 中训练了多输入数据集和预测的测试数据。

本文摘选 《 Python进行多输入（多因变量）回归：集成学习梯度晋升决策树GRADIENT BOOSTING REGRESSOR回归训练和预测可视化 》 ，点击“浏览原文”获取全文残缺材料。

点击题目查阅往期内容

样条曲线、决策树、Adaboost、梯度晋升(GBM)算法进行回归、分类和动静可视化\
PYTHON集成学习：本人编写构建ADABOOST分类模型可视化决策边界及SKLEARN包调用比拟\
PYTHON用户散失数据挖掘：建设逻辑回归、XGBOOST、随机森林、决策树、反对向量机、奢侈贝叶斯和KMEANS聚类用户画像\
PYTHON集成机器学习：用ADABOOST、决策树、逻辑回归集成模型分类和回归和网格搜寻超参数优化\
R语言集成模型：晋升树boosting、随机森林、束缚最小二乘法加权均匀模型交融剖析工夫序列数据Python对商店数据进行lstm和xgboost销售量工夫序列建模预测剖析\
R语言用主成分PCA、 逻辑回归、决策树、随机森林剖析心脏病数据并高维可视化\
R语言基于树的办法：决策树，随机森林，Bagging，加强树\
R语言用逻辑回归、决策树和随机森林对信贷数据集进行分类预测\
spss modeler用决策树神经网络预测ST的股票\
R语言中应用线性模型、回归决策树主动组合特色因子程度\
R语言中自编基尼系数的CART回归决策树的实现\
R语言用rle，svm和rpart决策树进行工夫序列预测\
python在Scikit-learn中用决策树和随机森林预测NBA获胜者\
python中应用scikit-learn和pandas决策树进行iris鸢尾花数据分类建模和穿插验证\
R语言里的非线性模型：多项式回归、部分样条、平滑样条、 狭义相加模型GAM剖析\
R语言用规范最小二乘OLS，狭义相加模型GAM ，样条函数进行逻辑回归LOGISTIC分类\
R语言ISLR工资数据进行多项式回归和样条回归剖析\
R语言中的多项式回归、部分回归、核平滑和平滑样条回归模型\
R语言用泊松Poisson回归、GAM样条曲线模型预测骑自行车者的数量\
R语言分位数回归、GAM样条曲线、指数平滑和SARIMA对电力负荷工夫序列预测