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

EL之GB(GBC)：利用GB对二分类问题进行建模并评估_DLEL之GB(GBC)：利用GB对二分类问题进行建模并评估_DataScience_02EL之GB(GBC)：利用GB对二分类问题进行建模并评估_DataScience_03

EL之GB(GBC)：利用GB对二分类问题进行建模并评估_EL_04

EL之GB(GBC)：利用GB对二分类问题进行建模并评估_DL_05

T2、以RF为基学习器的GB算法

EL之GB(GBC)：利用GB对二分类问题进行建模并评估_ML_06EL之GB(GBC)：利用GB对二分类问题进行建模并评估_DL_07

EL之GB(GBC)：利用GB对二分类问题进行建模并评估_DL_08

EL之GB(GBC)：利用GB对二分类问题进行建模并评估_Algorithm_09

 

 

 

 

设计思路

EL之GB(GBC)：利用GB对二分类问题进行建模并评估_DataScience_10

 

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

 

 

 

 

 

 

 

更多文章请关注《万象专栏》