EL之GB(GBC):利用GB对二分类问题进行建模并评估
【摘要】 EL之GB(GBC):利用GB对二分类问题进行建模并评估
目录
输出结果
T1、纯GB算法
T2、以RF为基学习器的GB算法
设计思路
核心代码
输出结果
T1、纯GB算法
T2、以RF为基学习器的GB算法
设计思路
核心代码
# nEst = 2000# dep...
EL之GB(GBC):利用GB对二分类问题进行建模并评估
目录
输出结果
T1、纯GB算法
T2、以RF为基学习器的GB算法
设计思路
核心代码
-
# nEst = 2000
-
# depth = 3
-
# learnRate = 0.007
-
# maxFeatures = None
-
-
-
nEst = 2000
-
depth = 3
-
learnRate = 0.007
-
maxFeatures = 20
-
-
rockVMinesGBMModel = ensemble.GradientBoostingClassifier(n_estimators=nEst, max_depth=depth,
-
learning_rate=learnRate,
-
max_features=maxFeatures)
-
-
rockVMinesGBMModel.fit(xTrain, yTrain)
-
-
auc = []
-
aucBest = 0.0
-
predictions = rockVMinesGBMModel.staged_decision_function(xTest)
-
for p in predictions:
-
aucCalc = roc_auc_score(yTest, p)
-
auc.append(aucCalc)
-
-
if aucCalc > aucBest:
-
aucBest = aucCalc
-
pBest = p
文章来源: yunyaniu.blog.csdn.net,作者:一个处女座的程序猿,版权归原作者所有,如需转载,请联系作者。
原文链接:yunyaniu.blog.csdn.net/article/details/86433636
【版权声明】本文为华为云社区用户转载文章,如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱:
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论(0)