Mô hình hồi quy

Xác thực Mô hình trong Python

Kasey Jones

Data Scientist

Rừng ngẫu nhiên trong scikit-learn

from sklearn.ensemble import RandomForestRegressor
from sklearn.ensemble import RandomForestClassifier

rfr = RandomForestRegressor(random_state=1111)
rfc = RandomForestClassifier(random_state=1111)

Cây quyết định bắt đầu với tất cả điểm dữ liệu và tách dần từ gốc theo các ngưỡng chia. Hãy hình dung mỗi điểm theo các nhánh khác nhau dựa trên đặc trưng của dữ liệu.

Sau khi huấn luyện, rừng ngẫu nhiên sẽ lấy trung bình kết quả từ các cây quyết định cho từng điểm dữ liệu để đưa ra dự đoán cuối cùng.

Tham số của rừng ngẫu nhiên

n_estimators: số cây trong rừng

max_depth: độ sâu tối đa của cây

random_state: hạt giống ngẫu nhiên

from sklearn.ensemble import RandomForestRegressor
rfr = RandomForestRegressor(n_estimators=50, max_depth=10)

rfr = RandomForestRegressor(random_state=1111)
rfr.n_estimators = 50
rfr.max_depth = 10

Tầm quan trọng của đặc trưng

In mức độ quan trọng của từng cột đối với mô hình

for i, item in enumerate(rfr.feature_importances_):
    print("{0:s}: {1:.2f}".format(X.columns[i], item))

weight: 0.50
height: 0.39
left_handed: 0.72
union_preference: 0.05
eye_color: 0.03

Bắt đầu nào

Xác thực Mô hình trong Python