Примечание
Перейти к концу, чтобы загрузить полный код примера. или запустить этот пример в вашем браузере с помощью JupyterLite или Binder
Регрессия с деревьями решений с AdaBoost
Дерево решений усиливается с помощью алгоритма AdaBoost.R2 [1] на одномерном синусоидальном наборе данных с небольшим количеством гауссова шума. Сравниваются 299 усилений (300 деревьев решений) с одним регрессором дерева решений. По мере увеличения количества усилений регрессор может подбирать больше деталей.
См. Функции в деревьях градиентного усиления на основе гистограмм для примера, демонстрирующего преимущества использования более эффективных регрессионных моделей, таких как HistGradientBoostingRegressor.
Подготовка данных
Сначала мы подготовим фиктивные данные с синусоидальной зависимостью и некоторым гауссовым шумом.
# Authors: The scikit-learn developers # SPDX-License-Identifier: BSD-3-Clause import numpy as np rng = np.random.RandomState(1) X = np.linspace(0, 6, 100)[:, np.newaxis] y = np.sin(X).ravel() + np.sin(6 * X).ravel() + rng.normal(0, 0.1, X.shape[0])
Обучение и прогнозирование с регрессорами DecisionTree и AdaBoost
Теперь мы определим классификаторы и обучим их на данных. Затем мы сделаем прогноз на тех же данных, чтобы увидеть, как хорошо они могут их смоделировать. Первый регрессор — DecisionTreeRegressor с max_depth=4. Второй регрессор — AdaBoostRegressor с DecisionTreeRegressor в качестве базового обучаемого элемента и будет построен с n_estimators=300 из этих базовых обучаемых элементов.
from sklearn.ensemble import AdaBoostRegressor
from sklearn.tree import DecisionTreeRegressor
regr_1 = DecisionTreeRegressor(max_depth=4)
regr_2 = AdaBoostRegressor(
DecisionTreeRegressor(max_depth=4), n_estimators=300, random_state=rng
)
regr_1.fit(X, y)
regr_2.fit(X, y)
y_1 = regr_1.predict(X)
y_2 = regr_2.predict(X)
Вывод результатов
Наконец, мы отобразим, насколько хорошо наши два регрессора, регрессор с одним деревом решений и регрессор AdaBoost, смогли смоделировать данные.
import matplotlib.pyplot as plt
import seaborn as sns
colors = sns.color_palette("colorblind")
plt.figure()
plt.scatter(X, y, color=colors[0], label="training samples")
plt.plot(X, y_1, color=colors[1], label="n_estimators=1", linewidth=2)
plt.plot(X, y_2, color=colors[2], label="n_estimators=300", linewidth=2)
plt.xlabel("data")
plt.ylabel("target")
plt.title("Boosted Decision Tree Regression")
plt.legend()
plt.show()
Общее время выполнения скрипта: (0 минут 0,505 секунды)
Связанные примеры
© 2007–2025 The scikit-learn developers
Licensed under the 3-clause BSD License.
https://scikit-learn.org/1.6/auto_examples/ensemble/plot_adaboost_regression.html
