梯度提升回归#

此示例演示了如何使用梯度提升方法，通过集成多个弱预测模型来构建一个预测模型。梯度提升可以用于回归和分类问题。在这里，我们将训练一个模型来解决糖尿病回归任务。我们将使用 GradientBoostingRegressor 获得结果，该模型采用最小二乘损失函数和500棵深度为4的回归树。

注意：对于较大的数据集（n_samples >= 10000），请参考 HistGradientBoostingRegressor。有关 HistGradientBoostingRegressor 其他优势的示例，请参见直方图梯度提升树的特性。

# Authors: The scikit-learn developers
# SPDX-License-Identifier: BSD-3-Clause

import matplotlib
import matplotlib.pyplot as plt
import numpy as np

from sklearn import datasets, ensemble
from sklearn.inspection import permutation_importance
from sklearn.metrics import mean_squared_error
from sklearn.model_selection import train_test_split
from sklearn.utils.fixes import parse_version

加载数据#

首先，我们需要加载数据。

diabetes = datasets.load_diabetes()
X, y = diabetes.data, diabetes.target

数据预处理#

接下来，我们将数据集分成90%用于训练，其余部分用于测试。我们还将设置回归模型参数。您可以调整这些参数来观察结果的变化。

n_estimators：将执行的提升阶段数。稍后，我们将绘制偏差与提升迭代次数的关系图。

max_depth：限制树中的节点数。最佳值取决于输入变量的交互作用。

min_samples_split：拆分内部节点所需的最小样本数。

learning_rate：每棵树的贡献将减少多少。

loss：要优化的损失函数。本例中使用的是最小二乘函数，但还有许多其他选项（参见 GradientBoostingRegressor）。

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.1, random_state=13
)

params = {
    "n_estimators": 500,
    "max_depth": 4,
    "min_samples_split": 5,
    "learning_rate": 0.01,
    "loss": "squared_error",
}

拟合回归模型#

现在，我们将初始化梯度提升回归器并使用我们的训练数据进行拟合。让我们也看看测试数据的均方误差。

reg = ensemble.GradientBoostingRegressor(**params)
reg.fit(X_train, y_train)

mse = mean_squared_error(y_test, reg.predict(X_test))
print("The mean squared error (MSE) on test set: {:.4f}".format(mse))

The mean squared error (MSE) on test set: 3016.1436

绘制训练偏差#

最后，我们将可视化结果。为此，我们将首先计算测试集偏差，然后将其与提升迭代次数作图。

test_score = np.zeros((params["n_estimators"],), dtype=np.float64)
for i, y_pred in enumerate(reg.staged_predict(X_test)):
    test_score[i] = mean_squared_error(y_test, y_pred)

fig = plt.figure(figsize=(6, 6))
plt.subplot(1, 1, 1)
plt.title("Deviance")
plt.plot(
    np.arange(params["n_estimators"]) + 1,
    reg.train_score_,
    "b-",
    label="Training Set Deviance",
)
plt.plot(
    np.arange(params["n_estimators"]) + 1, test_score, "r-", label="Test Set Deviance"
)
plt.legend(loc="upper right")
plt.xlabel("Boosting Iterations")
plt.ylabel("Deviance")
fig.tight_layout()
plt.show()

绘制特征重要性#

警告

注意，对于**高基数**特征（许多唯一值），基于杂质的特征重要性可能会具有误导性。作为替代方案，可以在保留的测试集上计算 reg 的排列重要性。有关详细信息，请参见排列特征重要性。

对于此示例，基于杂质的方法和排列方法识别出相同的2个强预测特征，但顺序不同。“bp”作为第三个最具预测性的特征，在两种方法中也相同。其余特征的预测性较弱，排列图的误差条显示它们与0重叠。

feature_importance = reg.feature_importances_
sorted_idx = np.argsort(feature_importance)
pos = np.arange(sorted_idx.shape[0]) + 0.5
fig = plt.figure(figsize=(12, 6))
plt.subplot(1, 2, 1)
plt.barh(pos, feature_importance[sorted_idx], align="center")
plt.yticks(pos, np.array(diabetes.feature_names)[sorted_idx])
plt.title("Feature Importance (MDI)")

result = permutation_importance(
    reg, X_test, y_test, n_repeats=10, random_state=42, n_jobs=2
)
sorted_idx = result.importances_mean.argsort()
plt.subplot(1, 2, 2)

# `labels` argument in boxplot is deprecated in matplotlib 3.9 and has been
# renamed to `tick_labels`. The following code handles this, but as a
# scikit-learn user you probably can write simpler code by using `labels=...`
# (matplotlib < 3.9) or `tick_labels=...` (matplotlib >= 3.9).
tick_labels_parameter_name = (
    "tick_labels"
    if parse_version(matplotlib.__version__) >= parse_version("3.9")
    else "labels"
)
tick_labels_dict = {
    tick_labels_parameter_name: np.array(diabetes.feature_names)[sorted_idx]
}
plt.boxplot(result.importances[sorted_idx].T, vert=False, **tick_labels_dict)
plt.title("Permutation Importance (test set)")
fig.tight_layout()
plt.show()

Feature Importance (MDI), Permutation Importance (test set)

脚本总运行时间：（0 分钟 1.594 秒）