sklearn的快速使用之七（决策树回归）

最新推荐文章于 2024-09-12 13:34:30 发布

MLANDAI

最新推荐文章于 2024-09-12 13:34:30 发布

阅读量381

点赞数

分类专栏：机器学习-sklearn

本文链接：https://blog.youkuaiyun.com/tbb_1984/article/details/84108019

版权

机器学习-sklearn 专栏收录该内容

12 篇文章

订阅专栏

这篇博客展示了如何利用sklearn库中的DecisionTreeRegressor进行回归分析。通过创建随机数据集，训练两个不同最大深度的决策树模型，并进行预测。最终以散点图和曲线的形式对比了max_depth为2和5的决策树模型的预测结果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

print(__doc__)

# Import the necessary modules and libraries
#https://blog.youkuaiyun.com/csfreebird/article/details/52744037
import numpy as np
from sklearn.tree import DecisionTreeRegressor
import matplotlib.pyplot as plt

# Create a random dataset
rng = np.random.RandomState(1)
X = np.sort(5 * rng.rand(80, 1), axis=0)
y = np.sin(X).ravel()
#随机噪音
y[::5] += 3 * (0.5 - rng.rand(16))

# Fit regression model
regr_1 = DecisionTreeRegressor(max_depth=2)
regr_2 = DecisionTreeRegressor(max_depth=5)
regr_1.fit(X, y)
regr_2.fit(X, y)

# Predict
X_test = np.arange(0.0, 5.0, 0.01)[:, np.newaxis]
y_1 = regr_1.predict(X_test)
y_2 = regr_2.predict(X_test)

# Plot the results
plt.figure()
#散点图
plt.scatter(X, y, s=20, edgecolor="black",
c="darkorange", label="data")
#曲线
plt.plot(X_test, y_1, color="cornflowerblue",
label="max_depth=2", linewidth=2)
#曲线
plt.plot(X_test, y_2, color="yellowgreen", label="max_depth=5", linewidth=2)
plt.xlabel("data")
plt.ylabel("target")
plt.title("Decision Tree Regression")
plt.legend()
plt.show()