婴儿衣服做的网站西宁网站制作哪里好

婴儿衣服做的网站,西宁网站制作哪里好,html5网站案例,个人网站备案入口LightGBM-shap集成模型#xff0c;回归任务#xff0c;Python代码 方法本身没有啥可以解释 自带数据集可以直接运行 回归任务#xff0c;所有图所见即所得#xff0c;在数据科学的领域中#xff0c;回归任务是我们常常需要面对的挑战之一。今天#xff0c;咱们就来捣鼓捣…LightGBM-shap集成模型回归任务Python代码 方法本身没有啥可以解释 自带数据集可以直接运行 回归任务所有图所见即所得在数据科学的领域中回归任务是我们常常需要面对的挑战之一。今天咱们就来捣鼓捣鼓LightGBM - shap集成模型看看它在回归任务里能玩出什么花样并且附上Python代码让一切所见即所得。准备工作首先我们得把需要的库都装上。这里主要用到lightgbm来搭建模型shap用于解释模型还有pandas和matplotlib来处理数据和画图。import lightgbm as lgb import shap import pandas as pd import matplotlib.pyplot as plt数据集咱直接用lightgbm自带的数据集方便又快捷。# 加载自带数据集 data lgb.Dataset(lgb.datasets.regression()[0]) X data.data y data.label这里我们直接从lgb.datasets.regression()获取数据然后把特征数据存到X标签数据存到y。构建LightGBM模型# 划分训练集和测试集 from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.2, random_state42) # 定义LightGBM参数 params { objective:regression, learning_rate: 0.1, num_leaves: 31 } # 训练模型 gbm lgb.train( params, lgb.Dataset(X_train, labely_train), num_boost_round100, valid_sets[lgb.Dataset(X_test, labely_test)], early_stopping_rounds10 )在这部分代码里先用traintestsplit把数据集分成训练集和测试集。接着定义了一些LightGBM的参数像objective指定为回归任务learningrate是学习率numleaves是叶子节点数。然后用这些参数和训练数据来训练模型同时指定了验证集设置了提前停止的轮数。使用SHAP解释模型# 计算SHAP值 explainer shap.TreeExplainer(gbm) shap_values explainer.shap_values(X_test) # 绘制SHAP摘要图 shap.summary_plot(shap_values, X_test, plot_typebar) plt.show()shap.TreeExplainer是专门为树模型计算SHAP值的这里就用它来解释我们训练好的LightGBM模型。算好SHAP值后用shap.summary_plot画个摘要图能直观看到每个特征对模型输出的影响。这个图能让我们快速了解哪些特征在模型里更重要。模型预测与评估# 模型预测 y_pred gbm.predict(X_test) # 评估模型 from sklearn.metrics import mean_squared_error mse mean_squared_error(y_test, y_pred) print(fMean Squared Error: {mse})最后用训练好的模型对测试集进行预测再用均方误差MSE来评估模型的性能。通过这些步骤咱们就完成了一个基于LightGBM - shap集成模型的回归任务从数据准备到模型评估所见即所得。希望大家能从这个小例子里对LightGBM - shap在回归任务中的应用有更清晰的认识。