决策树回归#
使用决策树进行一维回归。
决策树 用于拟合带有附加噪声观测值的正弦曲线。因此,它学习了逼近正弦曲线的局部线性回归。
我们可以看到,如果树的最大深度(由 max_depth
参数控制)设置得太高,决策树会学习训练数据的过于精细的细节并从噪声中学习,即它们过拟合。
# Import the necessary modules and libraries
import matplotlib.pyplot as plt
import numpy as np
from sklearn.tree import DecisionTreeRegressor
# Create a random dataset
rng = np.random.RandomState(1)
X = np.sort(5 * rng.rand(80, 1), axis=0)
y = np.sin(X).ravel()
y[::5] += 3 * (0.5 - rng.rand(16))
# Fit regression model
regr_1 = DecisionTreeRegressor(max_depth=2)
regr_2 = DecisionTreeRegressor(max_depth=5)
regr_1.fit(X, y)
regr_2.fit(X, y)
# Predict
X_test = np.arange(0.0, 5.0, 0.01)[:, np.newaxis]
y_1 = regr_1.predict(X_test)
y_2 = regr_2.predict(X_test)
# Plot the results
plt.figure()
plt.scatter(X, y, s=20, edgecolor="black", c="darkorange", label="data")
plt.plot(X_test, y_1, color="cornflowerblue", label="max_depth=2", linewidth=2)
plt.plot(X_test, y_2, color="yellowgreen", label="max_depth=5", linewidth=2)
plt.xlabel("data")
plt.ylabel("target")
plt.title("Decision Tree Regression")
plt.legend()
plt.show()
脚本总运行时间:(0 分钟 0.135 秒)
相关示例
多输出决策树回归
使用 AdaBoost 进行决策树回归
绘制在鸢尾花数据集上训练的决策树的决策面
绘制在鸢尾花数据集上训练的树集合的决策面