EL之RF(隨機(jī)性的Bagging+DTR)：利用隨機(jī)選擇屬性的bagging方法解決回歸(對多變量的數(shù)據(jù)集+實(shí)數(shù)值評分預(yù)測)問題

?

?

目錄

輸出結(jié)果

設(shè)計(jì)思路

核心代碼

---

?

?

?

輸出結(jié)果

?

設(shè)計(jì)思路

?

核心代碼

for iTrees in range(numTreesMax):modelList.append(DecisionTreeRegressor(max_depth=treeDepth))#第一個(gè)隨機(jī)：隨機(jī)抽取屬性樣本 idxAttr = random.sample(range(ncols), nAttr)idxAttr.sort()indexList.append(idxAttr)#第二個(gè)隨機(jī)：隨機(jī)抽取訓(xùn)練行樣本idxRows = []for i in range(int(0.5 * nTrainRows)):idxRows.append(random.choice(range(len(xTrain))))idxRows.sort()xRfTrain = []yRfTrain = []for i in range(len(idxRows)):temp = [xTrain[idxRows[i]][j] for j in idxAttr]xRfTrain.append(temp)yRfTrain.append(yTrain[idxRows[i]])modelList[-1].fit(xRfTrain, yRfTrain)xRfTest = []for xx in xTest:temp = [xx[i] for i in idxAttr]xRfTest.append(temp)latestOutSamplePrediction = modelList[-1].predict(xRfTest)predList.append(list(latestOutSamplePrediction))

?

總結(jié)

以上是生活随笔為你收集整理的EL之RF(随机性的Bagging+DTR)：利用随机选择属性的bagging方法解决回归(对多变量的数据集+实数值评分预测)问题的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。