Примечание

Перейти в конец чтобы скачать полный пример кода или запустить этот пример в браузере через JupyterLite или Binder.

Регрессия решающего дерева с AdaBoost#

Дерево решений усиливается с использованием AdaBoost.R2 [1] алгоритм на одномерном синусоидальном наборе данных с небольшим количеством гауссовского шума. 299 бустингов (300 деревьев решений) сравнивается с одним регрессором дерева решений. По мере увеличения количества бустингов регрессор может подогнать больше деталей.

См. Признаки в деревьях с градиентным бустингом на гистограммах для примера, демонстрирующего преимущества использования более эффективных регрессионных моделей, таких как HistGradientBoostingRegressor.

Подготовка данных#

Сначала мы подготавливаем фиктивные данные с синусоидальной зависимостью и некоторым гауссовским шумом.

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

import numpy as np

rng = np.random.RandomState(1)
X = np.linspace(0, 6, 100)[:, np.newaxis]
y = np.sin(X).ravel() + np.sin(6 * X).ravel() + rng.normal(0, 0.1, X.shape[0])

Обучение и предсказание с DecisionTree и AdaBoost Regressors#

Теперь определим классификаторы и обучим их на данных. Затем предскажем на тех же данных, чтобы увидеть, насколько хорошо они могут их аппроксимировать. Первый регрессор — это DecisionTreeRegressor с max_depth=4. Второй регрессор представляет собой AdaBoostRegressor с DecisionTreeRegressor of max_depth=4 в качестве базового обучаемого и будет построен с n_estimators=300 этих базовых обучаемых моделей.

from sklearn.ensemble import AdaBoostRegressor
from sklearn.tree import DecisionTreeRegressor

regr_1 = DecisionTreeRegressor(max_depth=4)

regr_2 = AdaBoostRegressor(
    DecisionTreeRegressor(max_depth=4), n_estimators=300, random_state=rng
)

regr_1.fit(X, y)
regr_2.fit(X, y)

y_1 = regr_1.predict(X)
y_2 = regr_2.predict(X)

Построение графиков результатов#

Наконец, мы строим график того, насколько хорошо наши два регрессора, регрессор на основе одного дерева решений и регрессор AdaBoost, могут соответствовать данным.

import matplotlib.pyplot as plt
import seaborn as sns

colors = sns.color_palette("colorblind")

plt.figure()
plt.scatter(X, y, color=colors[0], label="training samples")
plt.plot(X, y_1, color=colors[1], label="n_estimators=1", linewidth=2)
plt.plot(X, y_2, color=colors[2], label="n_estimators=300", linewidth=2)
plt.xlabel("data")
plt.ylabel("target")
plt.title("Boosted Decision Tree Regression")
plt.legend()
plt.show()