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

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

 

 

目录

输出结果

设计思路

核心代码

---

 

 

 

输出结果

 

设计思路

 

核心代码

for iTrees in range(numTreesMax):modelList.append(DecisionTreeRegressor(max_depth=treeDepth))#第一个随机：随机抽取属性样本 idxAttr = random.sample(range(ncols), nAttr)idxAttr.sort()indexList.append(idxAttr)#第二个随机：随机抽取训练行样本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))

 

总结

以上是生活随笔为你收集整理的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)问题的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。