原文鏈接：?http://tecdat.cn/?p=25939

最近我們被客戶要求撰寫關(guān)于多輸出（多因變量）回歸的研究報(bào)告，包括一些圖形和統(tǒng)計(jì)輸出。

在之前的文章中，我們研究了許多使用 多輸出回歸分析的方法。在本教程中，我們將學(xué)習(xí)如何使用梯度提升決策樹GRADIENT BOOSTING REGRESSOR擬合和預(yù)測(cè)多輸出回歸數(shù)據(jù)。對(duì)于給定的 x 輸入數(shù)據(jù)，多輸出數(shù)據(jù)包含多個(gè)目標(biāo)標(biāo)簽。本教程涵蓋：

• 準(zhǔn)備數(shù)據(jù)

• 定義模型

• 預(yù)測(cè)和可視化結(jié)果

我們將從加載本教程所需的庫(kù)開始。

**

拓端

，贊30

**

拓端

，贊16

準(zhǔn)備數(shù)據(jù)

首先，我們將為本教程創(chuàng)建一個(gè)多輸出數(shù)據(jù)集。它是隨機(jī)生成的數(shù)據(jù)，具有以下一些規(guī)則。該數(shù)據(jù)集中有三個(gè)輸入和兩個(gè)輸出。我們將繪制生成的數(shù)據(jù)以直觀地檢查它。

接下來(lái)，我們將數(shù)據(jù)集拆分為訓(xùn)練和測(cè)試部分并檢查數(shù)據(jù)形狀。

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

R語(yǔ)言樣條曲線、決策樹、Adaboost、梯度提升(GBM)算法進(jìn)行回歸、分類和動(dòng)態(tài)可視化

左右滑動(dòng)查看更多

01

02

03

04

定義模型

我們將定義模型。作為估計(jì)，我們將使用默認(rèn)參數(shù)實(shí)現(xiàn)?？梢酝ㄟ^(guò) print 命令查看模型的參數(shù)。

現(xiàn)在，我們可以用訓(xùn)練數(shù)據(jù)擬合模型并檢查訓(xùn)練結(jié)果。

預(yù)測(cè)和可視化結(jié)果?

我們將使用經(jīng)過(guò)訓(xùn)練的模型預(yù)測(cè)測(cè)試數(shù)據(jù)，并檢查 y1 和 y2 輸出的 MSE 率。

最后，我們將在圖中可視化結(jié)果并直觀地檢查它們。

在本教程中，我們簡(jiǎn)要學(xué)習(xí)了如何在 Python 中訓(xùn)練了多輸出數(shù)據(jù)集和預(yù)測(cè)的測(cè)試數(shù)據(jù)。

本文摘選?《?Python進(jìn)行多輸出（多因變量）回歸：集成學(xué)習(xí)梯度提升決策樹GRADIENT BOOSTING REGRESSOR回歸訓(xùn)練和預(yù)測(cè)可視化?》?，點(diǎn)擊“閱讀原文”獲取全文完整資料。

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

樣條曲線、決策樹、Adaboost、梯度提升(GBM)算法進(jìn)行回歸、分類和動(dòng)態(tài)可視化
PYTHON集成學(xué)習(xí)：自己編寫構(gòu)建ADABOOST分類模型可視化決策邊界及SKLEARN包調(diào)用比較
PYTHON用戶流失數(shù)據(jù)挖掘：建立邏輯回歸、XGBOOST、隨機(jī)森林、決策樹、支持向量機(jī)、樸素貝葉斯和KMEANS聚類用戶畫像
PYTHON集成機(jī)器學(xué)習(xí)：用ADABOOST、決策樹、邏輯回歸集成模型分類和回歸和網(wǎng)格搜索超參數(shù)優(yōu)化
R語(yǔ)言集成模型：提升樹boosting、隨機(jī)森林、約束最小二乘法加權(quán)平均模型融合分析時(shí)間序列數(shù)據(jù)Python對(duì)商店數(shù)據(jù)進(jìn)行l(wèi)stm和xgboost銷售量時(shí)間序列建模預(yù)測(cè)分析
R語(yǔ)言用主成分PCA、?邏輯回歸、決策樹、隨機(jī)森林分析心臟病數(shù)據(jù)并高維可視化
R語(yǔ)言基于樹的方法：決策樹，隨機(jī)森林，Bagging，增強(qiáng)樹
R語(yǔ)言用邏輯回歸、決策樹和隨機(jī)森林對(duì)信貸數(shù)據(jù)集進(jìn)行分類預(yù)測(cè)
spss modeler用決策樹神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)ST的股票
R語(yǔ)言中使用線性模型、回歸決策樹自動(dòng)組合特征因子水平
R語(yǔ)言中自編基尼系數(shù)的CART回歸決策樹的實(shí)現(xiàn)
R語(yǔ)言用rle，svm和rpart決策樹進(jìn)行時(shí)間序列預(yù)測(cè)
python在Scikit-learn中用決策樹和隨機(jī)森林預(yù)測(cè)NBA獲勝者
python中使用scikit-learn和pandas決策樹進(jìn)行iris鳶尾花數(shù)據(jù)分類建模和交叉驗(yàn)證
R語(yǔ)言里的非線性模型：多項(xiàng)式回歸、局部樣條、平滑樣條、 廣義相加模型GAM分析
R語(yǔ)言用標(biāo)準(zhǔn)最小二乘OLS，廣義相加模型GAM?，樣條函數(shù)進(jìn)行邏輯回歸LOGISTIC分類
R語(yǔ)言ISLR工資數(shù)據(jù)進(jìn)行多項(xiàng)式回歸和樣條回歸分析
R語(yǔ)言中的多項(xiàng)式回歸、局部回歸、核平滑和平滑樣條回歸模型
R語(yǔ)言用泊松Poisson回歸、GAM樣條曲線模型預(yù)測(cè)騎自行車者的數(shù)量
R語(yǔ)言分位數(shù)回歸、GAM樣條曲線、指數(shù)平滑和SARIMA對(duì)電力負(fù)荷時(shí)間序列預(yù)測(cè)