GBDT回归实战完全总结(二)

最新推荐文章于 2025-06-29 16:01:44 发布

原创

最新推荐文章于 2025-06-29 16:01:44 发布 · 3.6k 阅读

17 ·

CC 4.0 BY-SA版权

文章标签：

#GBDT #Regression

本文详细介绍了使用GBDT进行回归分析的实践，通过构建500棵深度为4的决策树，展示了Deviance随迭代次数减少并趋于稳定的过程。Lstat特征在模型中的重要性最高。同时，文章提出对Deviance含义的疑惑，讨论其可能的解释。最后，对比了不同损失函数下的预测效果，展示最小二乘回归模型与观测值的吻合度。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

  第二部分：sklearn分类实例 

  （一）、实例一：Gradient Boosting regression 

 
 Demonstrate Gradient Boosting on the Boston housing dataset. 

This example fits a Gradient Boosting model with least squares loss and 500 regression trees of depth 4.

来源：点击打开链接

# Author: Peter Prettenhofer <peter.prettenhofer@gmail.com>
#
# License: BSD 3 clause

import numpy as np
import matplotlib.pyplot as plt

from sklearn import ensemble
from sklearn import datasets
from sklearn.utils import shuffle
from sklearn.metric