XGBoost模型训练和优化实践

最新推荐文章于 2025-04-10 13:22:49 发布

四季豆炒五花肉

最新推荐文章于 2025-04-10 13:22:49 发布

阅读量983

点赞数 9

CC 4.0 BY-SA版权

文章标签：算法 python 机器学习

本文链接：https://blog.youkuaiyun.com/weixin_42981258/article/details/134825787

文章讲述了使用XGBoost模型预测搜索量的过程，初始随机森林表现不佳，通过参数调优（如max_depth、n_estimators等）优化XGBoost模型，最终优化后的MSE降低，R²提高到0.7554。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

XGBoost，这是一种高效且广泛使用的梯度提升框架。XGBoost（Extreme Gradient Boosting）在多种数据集上都表现出色，特别适合处理复杂的非线性关系。

（随机森林回归模型来预测搜索量，效果稀烂。在大佬推荐下，尝试XGBoost模型）

import pandas as pd
import xgboost as xgb
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error, r2_score

# 加载数据
file_path = '您的文件路径.csv'  # 请替换成您的文件路径
df = pd.read_csv(file_path, encoding='GB18030')

# 选择特征和目标变量
feature_cols = ['关键词销量', '转化率', 'Cerebro IQ 得分']
target_col = '搜索量'

# 数据预处理：转换非数值型特征和处理缺失值
df[feature_cols] = df[feature_cols].apply(pd.to_numeric, errors='coerce')
df = df.dropna(subset=feature_cols + [target_col])

# 划分特征和目标变量
X = df[feature_cols]
y = df[target_col]

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建 XGBoost 模型
xg_reg = xgb.XGBRegressor(objective ='reg:squarederror', colsample_bytree = 0.3, learning_rate = 0.1,
                          max_dept