GBDT+LR级联实现

最新推荐文章于 2026-01-01 15:45:23 发布

原创最新推荐文章于 2026-01-01 15:45:23 发布 · 359 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#python #人工智能

机器学习工程专栏收录该内容

9 篇文章

订阅专栏

文章介绍了如何利用gbdt（GradientBoostingRegressor）进行回归预测，通过gbdt.fit()和gbdt.apply()处理数据，结合编码器enc对特征进行转换。接着，将处理后的特征与原始数据合并，用于模型训练。对于类别型特征，文章使用了keras的np_utils.to_categorical()进行处理，最后应用scikit-learn的preprocessing.scale()对测试集数据进行标准化。

1. 背景

一般选择gbdt回归树

2. 实现

gbdt = GradientBoostingRegressor()
gbdt.fit(X_train, y_train)
model_fea = gbdt.apply(X_train)
model_fea_enc = enc.transform(model_fea).toarray()
X_train_new = np.concatenate([X_train, model_fea_enc], axis=1)

类别型特征处理

from keras.utils import np_utils
y_test = np_utils.to_categorical(y_test, num_classes=10)

from sklearn import preprocessing
X_test = preprocessing.scale(X_test)

关注博主即可阅读全文