做網(wǎng)站哪種語言好,知名高端網(wǎng)站建設(shè)服務(wù)商,莆田建設(shè)銀行官方網(wǎng)站,河南網(wǎng)站建設(shè)價(jià)位LightGBM-shap集成模型#xff0c;回歸任務(wù)#xff0c;Python代碼 方法本身沒有啥可以解釋 自帶數(shù)據(jù)集可以直接運(yùn)行 回歸任務(wù)#xff0c;所有圖所見即所得#xff0c;在數(shù)據(jù)科學(xué)的領(lǐng)域中#xff0c;回歸任務(wù)是我們常常需要面對(duì)的挑戰(zhàn)之一。今天#xff0c;咱們就來搗鼓搗…LightGBM-shap集成模型回歸任務(wù)Python代碼 方法本身沒有啥可以解釋 自帶數(shù)據(jù)集可以直接運(yùn)行 回歸任務(wù)所有圖所見即所得在數(shù)據(jù)科學(xué)的領(lǐng)域中回歸任務(wù)是我們常常需要面對(duì)的挑戰(zhàn)之一。今天咱們就來搗鼓搗鼓LightGBM - shap集成模型看看它在回歸任務(wù)里能玩出什么花樣并且附上Python代碼讓一切所見即所得。準(zhǔn)備工作首先我們得把需要的庫都裝上。這里主要用到lightgbm來搭建模型shap用于解釋模型還有pandas和matplotlib來處理數(shù)據(jù)和畫圖。import lightgbm as lgb import shap import pandas as pd import matplotlib.pyplot as plt數(shù)據(jù)集咱直接用lightgbm自帶的數(shù)據(jù)集方便又快捷。# 加載自帶數(shù)據(jù)集 data lgb.Dataset(lgb.datasets.regression()[0]) X data.data y data.label這里我們直接從lgb.datasets.regression()獲取數(shù)據(jù)然后把特征數(shù)據(jù)存到X標(biāo)簽數(shù)據(jù)存到y(tǒng)。構(gòu)建LightGBM模型# 劃分訓(xùn)練集和測(cè)試集 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) # 定義LightGBM參數(shù) params { objective:regression, learning_rate: 0.1, num_leaves: 31 } # 訓(xùn)練模型 gbm lgb.train( params, lgb.Dataset(X_train, labely_train), num_boost_round100, valid_sets[lgb.Dataset(X_test, labely_test)], early_stopping_rounds10 )在這部分代碼里先用traintestsplit把數(shù)據(jù)集分成訓(xùn)練集和測(cè)試集。接著定義了一些LightGBM的參數(shù)像objective指定為回歸任務(wù)learningrate是學(xué)習(xí)率numleaves是葉子節(jié)點(diǎn)數(shù)。然后用這些參數(shù)和訓(xùn)練數(shù)據(jù)來訓(xùn)練模型同時(shí)指定了驗(yàn)證集設(shè)置了提前停止的輪數(shù)。使用SHAP解釋模型# 計(jì)算SHAP值 explainer shap.TreeExplainer(gbm) shap_values explainer.shap_values(X_test) # 繪制SHAP摘要圖 shap.summary_plot(shap_values, X_test, plot_typebar) plt.show()shap.TreeExplainer是專門為樹模型計(jì)算SHAP值的這里就用它來解釋我們訓(xùn)練好的LightGBM模型。算好SHAP值后用shap.summary_plot畫個(gè)摘要圖能直觀看到每個(gè)特征對(duì)模型輸出的影響。這個(gè)圖能讓我們快速了解哪些特征在模型里更重要。模型預(yù)測(cè)與評(píng)估# 模型預(yù)測(cè) y_pred gbm.predict(X_test) # 評(píng)估模型 from sklearn.metrics import mean_squared_error mse mean_squared_error(y_test, y_pred) print(fMean Squared Error: {mse})最后用訓(xùn)練好的模型對(duì)測(cè)試集進(jìn)行預(yù)測(cè)再用均方誤差MSE來評(píng)估模型的性能。通過這些步驟咱們就完成了一個(gè)基于LightGBM - shap集成模型的回歸任務(wù)從數(shù)據(jù)準(zhǔn)備到模型評(píng)估所見即所得。希望大家能從這個(gè)小例子里對(duì)LightGBM - shap在回歸任務(wù)中的應(yīng)用有更清晰的認(rèn)識(shí)。