Fatal编程技术网
  • python/
  • Python 从sklearn GradientBoostedRegressor访问计算的偏差

Python 从sklearn GradientBoostedRegressor访问计算的偏差

python scikit-learn

Python 从sklearn GradientBoostedRegressor访问计算的偏差,python,scikit-learn,Python,Scikit Learn,GradientBoostedRegressor的pydocs将oob_改进作为一个属性 然而，我在sklearn 0.18.1中发现： print '%s\n' %(repr(gbr.oob_improvement_)) {AttributeError}'GradientBoostingRegressor' object has no attribute 'oob_improvement_' 请注意，其他属性（例如，功能重要性）确实会出现： 那么，“oob_改进”属性是否可以通过其他方

GradientBoostedRegressor
的
pydocs
将
oob_改进
作为一个属性

然而，我在
sklearn 0.18.1
中发现：

print '%s\n' %(repr(gbr.oob_improvement_))

{AttributeError}'GradientBoostingRegressor' object has no attribute 'oob_improvement_'
请注意，其他属性（例如，
功能
重要性）确实会出现：

那么，“oob_改进”属性是否可以通过其他方式访问呢？

默认情况下，GradientBoostingClassifier使用所有数据来提升迭代。由于每个阶段都没有保留的数据，因此无法获得OOB估计值

另一种方法是在每个阶段使用训练数据的随机子样本；这种方法被称为“随机梯度增强”。这样做可以减少方差和增加偏差，并使OOB估计可用。要启用它，请使用
子样本
<1.0，例如


clf = GradientBoostingClassifier(subsample=0.6)


在上面的例子中，每个基础学习者在随机60%的数据样本上进行训练，其余40%的训练样本用于OOB估计

有关完整示例，请参见


clf = GradientBoostingClassifier(subsample=0.6)