Dependent Variables

本文介绍基于Python的随机森林（Random Forest，RF）回归代码，以及模型超参数（包括决策树个数与最大深度、最小分离样本数、最小叶子节点样本数、最大分离特征数等）自动优化的代码。 本文是在上一篇文章Python实现随机森林RF并对比自变量的重要性的基础上完成的，因此本次仅对随机森林模型超参数自动择优部分的代码加以详细解释；而数据准备、模型建立、精度评定等其他部分的代码详细解释，大家直接点击上述文章Python实现随机森林RF并对比自变量的重要性查看即可。 其中，关于基于MATLAB实现同样过程的代码与实战，大家可以点击查看文章MATLAB实现随机森林（RF）回归与自变量影响程度分析。 本文分为两部分，第一部分为代码的分段讲解，第二部分为完整代码。 1.1 数据与模型准备 本部分是对随机森林算法的数据与模型准备，由于在之前的博客中已经详细介绍过了，本文就不再赘述~大家直接查看文章Python实现随机森林RF并对比自变量的重要性即可。 import pydot import numpy as np import pandas as pd import...

本文介绍在Python环境中，实现随机森林（Random Forest，RF）回归与各自变量重要性分析与排序的过程。 其中，关于基于MATLAB实现同样过程的代码与实战，大家可以点击查看MATLAB实现随机森林（RF）回归与自变量影响程度分析这篇文章。 本文分为两部分，第一部分为代码的分段讲解，第二部分为完整代码。 1.1 模块与数据准备 首先，导入所需要的模块。在这里，需要pydot与graphviz这两个相对不太常用的模块，即使我用了Anaconda，也需要单独下载、安装。具体下载与安装，如果同样是在用Anaconda，大家就参考Python pydot与graphviz库在Anaconda环境的配置即可。 import pydot import numpy as np import pandas as pd import scipy.stats as stats import matplotlib.pyplot as plt from sklearn import metrics from openpyxl import load_workbook from...

本文介绍基于Python语言中TensorFlow的Keras接口，实现深度神经网络回归的方法~ 本文介绍基于Python语言中TensorFlow的Keras接口，实现深度神经网络回归的方法。 前期一篇文章Python TensorFlow深度学习回归代码：DNNRegressor详细介绍了基于TensorFlow tf.estimator接口的深度学习网络；而在TensorFlow 2.0中，新的Keras接口具有与 tf.estimator接口一致的功能，且其更易于学习，对于新手而言友好程度更高；在TensorFlow官网也建议新手从Keras接口入手开始学习。因此，本文结合TensorFlow Keras接口，加以深度学习回归的详细介绍与代码实战。 和上述博客类似，本文第二部分为代码的分解介绍，第三部分为完整代码。一些在上述博客介绍过的内容，在本文中就省略了，大家如果有需要可以先查看上述文章Python TensorFlow深度学习回归代码：DNNRegressor。...