sklearn与GBDT入门案例
2017-06-08 15:39
357 查看
GBDT概念自行网上搜索下,下面入门调用sklearn包中的GBDT
安装
SCIKIT-LEARN是一个基于Python/numpy/scipy的机器学习库
GBDT使用
这段代码展示了一个简单的GBDT调用过程
train_id.txt示例
320
361
364
336
358
train_feat.txt示例
0.00598802 0.569231 0.647059 0.95122 -0.225434 0.837989 0.357258 -0.0030581 -0.383475
0.161677 0.743195 0.682353 0.960976 -0.0867052 0.780527 0.282945 0.149847 -0.0529661
0.113772 0.744379 0.541176 0.990244 -0.00578035 0.721468 0.43411 -0.318043 0.288136
0.0538922 0.608284 0.764706 0.95122 -0.248555 0.821229 0.848604 -0.0030581 0.239407
0.173653 0.866272 0.682353 0.95122 0.017341 0.704709 -0.0210016 -0.195719 0.150424
测试集我使用一样的数据
test_id.txt示例
320
361
364
336
358
test_feat.txt示例
0.00598802 0.569231 0.647059 0.95122 -0.225434 0.837989 0.357258 -0.0030581 -0.383475
0.161677 0.743195 0.682353 0.960976 -0.0867052 0.780527 0.282945 0.149847 -0.0529661
0.113772 0.744379 0.541176 0.990244 -0.00578035 0.721468 0.43411 -0.318043 0.288136
0.0538922 0.608284 0.764706 0.95122 -0.248555 0.821229 0.848604 -0.0030581 0.239407
0.173653 0.866272 0.682353 0.95122 0.017341 0.704709 -0.0210016 -0.195719 0.150424
测试结果与真值:
320.000817398 320.0
360.999648447 361.0
363.999282781 364.0
336.000234432 336.0
358.000016939 358.0
安装
SCIKIT-LEARN是一个基于Python/numpy/scipy的机器学习库
GBDT使用
这段代码展示了一个简单的GBDT调用过程
import numpy as np from sklearn.ensemble import GradientBoostingRegressor gbdt=GradientBoostingRegressor( loss='ls' , learning_rate=0.1 , n_estimators=100 , subsample=1 , min_samples_split=2 , min_samples_leaf=1 , max_depth=3 , init=None , random_state=None , max_features=None , alpha=0.9 , verbose=0 , max_leaf_nodes=None , warm_start=False ) train_feat=np.genfromtxt("train_feat.txt",dtype=np.float32) train_id=np.genfromtxt("train_id.txt",dtype=np.float32) test_feat=np.genfromtxt("test_feat.txt",dtype=np.float32) test_id=np.genfromtxt("test_id.txt",dtype=np.float32) print train_feat.shape,rain_id.shape,est_feat.shape,est_id.shape gbdt.fit(train_feat,train_id) pred=gbdt.predict(test_feat) total_err=0 for i in range(pred.shape[0]): print pred[i],test_id[i] err=(pred[i]-test_id[i])/test_id[i] total_err+=err*err print total_err/pred.shape[0]
train_id.txt示例
320
361
364
336
358
train_feat.txt示例
0.00598802 0.569231 0.647059 0.95122 -0.225434 0.837989 0.357258 -0.0030581 -0.383475
0.161677 0.743195 0.682353 0.960976 -0.0867052 0.780527 0.282945 0.149847 -0.0529661
0.113772 0.744379 0.541176 0.990244 -0.00578035 0.721468 0.43411 -0.318043 0.288136
0.0538922 0.608284 0.764706 0.95122 -0.248555 0.821229 0.848604 -0.0030581 0.239407
0.173653 0.866272 0.682353 0.95122 0.017341 0.704709 -0.0210016 -0.195719 0.150424
测试集我使用一样的数据
test_id.txt示例
320
361
364
336
358
test_feat.txt示例
0.00598802 0.569231 0.647059 0.95122 -0.225434 0.837989 0.357258 -0.0030581 -0.383475
0.161677 0.743195 0.682353 0.960976 -0.0867052 0.780527 0.282945 0.149847 -0.0529661
0.113772 0.744379 0.541176 0.990244 -0.00578035 0.721468 0.43411 -0.318043 0.288136
0.0538922 0.608284 0.764706 0.95122 -0.248555 0.821229 0.848604 -0.0030581 0.239407
0.173653 0.866272 0.682353 0.95122 0.017341 0.704709 -0.0210016 -0.195719 0.150424
测试结果与真值:
320.000817398 320.0
360.999648447 361.0
363.999282781 364.0
336.000234432 336.0
358.000016939 358.0
相关文章推荐
- Python机器学习Sklearn入门案例(上)
- struts1快速入门案例和细节说明
- SpringMvc的入门案例
- spring配置quartz入门案例
- JQuery入门―编写一个简单的JQuery应用案例
- Spring MVC入门案例(1)
- Hibernate入门案例及增删改查
- Node.js入门笔记(5):案例两则
- photoshop经典案例,5天包你从入门到专家。很和谐,很强大。
- sklearn:GBDT
- Struts2入门案例
- GBDT(MART) 迭代决策树入门教程 | 简介
- Struts2入门案例
- 26_mvc入门案例
- SpringMVC入门案例及请求流程图(关于处理器或视图解析器或处理器映射器等的初步配置)
- android入门之采用HttpClient的POST方式、GET方式分别实现登陆案例
- Easy-UI入门案例
- GBDT(MART) 迭代决策树入门教程 | 简介
- 《mysql使用hibernate入门案例》
- 从入门到实战,Netty多线程篇案例集锦