机器学习之Xgboost算法

最新推荐文章于 2024-11-30 20:33:56 发布

转载最新推荐文章于 2024-11-30 20:33:56 发布 · 136 阅读

0 ·

CC 4.0 BY-SA版权

原文链接：http://www.cnblogs.com/ywjfx/p/11049943.html

文章标签：

#人工智能 #python #数据结构与算法

博客包含人工智能相关安装知识点，转载自https://www.cnblogs.com/ywjfx/p/11049943.html ，涉及人工智能、Python及数据结构与算法等信息技术领域内容。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

知识点

"""
xgboost:是一种提升算法，串行的决策树
过程：
    第一棵树：目标值：1000 ，预测值：950
    第二颗树：目标值：1000-950=50(残差作为输入) 预测值：30
    第三颗树：目标值：50-30=20(残差作为输入) 预测值：18
最终的目标值：三棵树的预测值相加，即950+30+18

xgboost算法开发过程：
    1、数据预处理和数据清洗
    2、数据归一化或标准化
    3、构建xgboost所需的矩阵，dtrain = xgb.DMatrix(train_x,train_y)
    4、xgboost的参数字典设置xgb_params
    5、自定义衡量标准，使用平均绝对误差
            def xg_eval_mean(yhat,dtrain):
                y = dtrain.get_label()
                return  'mean',mean_absolute_error(np.exp(y),np.exp(yhat))
    5、交叉验证 bst_cv1 = xgb.cv(xgb_params,dtrain,num_boost_round=100,feval=xg_eval_mean....) num_boost_round=100表示100棵树
    6、打印值：print("CV score:",bst_cv1.iloc[-1,:]["test-mae-mean"])
    7、调参：
        1、选择一组初始参数
        2、改变max_depth和min_child_weight  (可用网格搜索调优)
        3、调节gamma降低模型拟合风险
        4、调节subsample和colsample_bytree改变数据采用策略
        5、调节学习率eta

"""

1、安装

a）下载安装包:https://www.lfd.uci.edu/~gohlke/pythonlibs/
b) pip install xgboost.****.whl 
c）import xgboost ,如果没有报错，说明安装成功

转载于:https://www.cnblogs.com/ywjfx/p/11049943.html