梯度提升回归#

此示例演示了梯度提升，用于从弱预测模型的集合中生成预测模型。梯度提升可用于回归和分类问题。在这里，我们将训练一个模型来处理糖尿病回归任务。我们将使用最小二乘损失和 500 棵深度为 4 的回归树从 GradientBoostingRegressor 获得结果。

注意：对于较大的数据集（n_samples >= 10000），请参阅 HistGradientBoostingRegressor。有关展示 HistGradientBoostingRegressor 的其他一些优势的示例，请参阅直方图梯度提升树中的特征。

# Author: Peter Prettenhofer <[email protected]>
#         Maria Telenczuk <https://github.com/maikia>
#         Katrina Ni <https://github.com/nilichen>
#
# License: BSD 3 clause

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

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，我们将拆分数据集，使用 90% 的数据进行训练，其余数据用于测试。我们还将设置回归模型参数。您可以调整这些参数以查看结果如何变化。

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：限制树中节点的数量。最佳值取决于输入变量的交互。

min_samples_split：拆分内部节点所需的最小样本数。

learning_rate：每棵树的贡献将缩小多少。

loss：要优化的损失函数。在这种情况下使用最小二乘函数，但是还有许多其他选项（请参阅 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对其进行拟合。我们还要查看测试数据上的均方误差。

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: 3044.4733

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，然后将其绘制在提升迭代次数的对比图上。

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

请注意，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产生误导。作为替代方案，可以在留出的测试集上计算 reg 的排列重要性。有关更多详细信息，请参阅排列特征重要性。

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。第三个最具预测性的特征“bp”对于这两种方法也是相同的。其余特征的预测性较低，排列图的误差线显示它们与 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)
plt.boxplot(
    result.importances[sorted_idx].T,
    vert=False,
    labels=np.array(diabetes.feature_names)[sorted_idx],
)
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 1.746 秒）