跳到主要内容

Bagging回归（BaggingRegressor）使用文档

组件名称Bagging回归（BaggingRegressor）
工具集机器学习/回归/Bagging回归（BaggingRegressor）
组件作者雪浪云-燕青
文档版本1.0
功能Bagging回归（BaggingRegressor）算法
镜像名称ml_components:3
开发语言Python

组件原理​

Bagging的弱学习器之间没有Boosting那样的联系。它的特点在“随机采样”。

随机采样(bootsrap)就是从我们的训练集里面采集固定个数的样本，但是每采集一个样本后，都将样本放回。也就是说，之前采集到的样本在放回后有可能继续被采集到。

注意到这和GBDT的子采样是不同的。GBDT的子采样是无放回采样，而Bagging的子采样是有放回采样。

Bagging对于弱学习器没有限制，这和Adaboost一样。但是最常用的一般也是决策树和神经网络。

Bagging的集合策略也比较简单。对于分类问题，通常使用简单投票法，得到最多票数的类别或者类别之一为最终的模型输出。对于回归问题，通常使用简单平均法，对T个弱学习器得到的回归结果进行算术平均得到最终的模型输出。

由于Bagging算法每次都进行采样来训练模型，因此泛化能力很强，对于降低模型的方差很有作用。当然对于训练集的拟合程度就会差一些，也就是模型的偏倚会大一些。

输入桩​

支持单个csv文件输入。

输入端子1​

  • 端口名称：训练数据
  • 输入类型：Csv文件
  • 功能描述： 输入用于训练的数据

输出桩​

支持sklearn模型输出。

输出端子1​

  • 端口名称：输出模型
  • 输出类型：sklearn模型
  • 功能描述： 输出训练好的模型用于预测

参数配置​

n_estimators​

  • 功能描述：集合中的base模型数。
  • 必选参数：是
  • 默认值：10

max_samples​

  • 功能描述：要从X中抽取样本数来训练每个base模型。如果为整数，则抽取max_samples 个样本。如果为浮点数，则抽取max_samples * X.shape[0] 个样本。
  • 必选参数：是
  • 默认值：1.0

max_features​

  • 功能描述：要从X中抽取样本数来训练每个base模型。如果为整数，则抽取max_features 个特征。如果为浮点数，则抽取max_features * X.shape[1] 个特征。
  • 必选参数：是
  • 默认值：1.0

bootstrap​

  • 功能描述：样品是否用有放回的抽取。如果为假，则执行不放回的采样。
  • 必选参数：是
  • 默认值：True

bootstrap_features​

  • 功能描述：是否用采用有放回的方式抽取特征。
  • 必选参数：是
  • 默认值：false

oob_score​

  • 功能描述：是否使用袋外样本来估计泛化误差。
  • 必选参数：是
  • 默认值：false

warm_start​

  • 功能描述：当设置为True时，重复使用先前调用的解决方案来拟合并向集合添加更多的估计器，否则，只需拟合一个全新的集合。
  • 必选参数：是
  • 默认值：false

n_jobs​

  • 功能描述：并行数
  • 必选参数：否
  • 默认值：（无）

random_state​

  • 功能描述：随机种子
  • 必选参数：否
  • 默认值：（无）

verbose​

  • 功能描述：控制拟合和预测时的详细程度。
  • 必选参数：否
  • 默认值：（无）

需要训练​

  • 功能描述：该模型是否需要训练，默认为需要训练。
  • 必选参数：是
  • 默认值：true

特征字段​

  • 功能描述：特征字段
  • 必选参数：是
  • 默认值：（无）

识别字段​

  • 功能描述：识别字段
  • 必选参数：是
  • 默认值：（无）

使用方法​

  • 将组件拖入到项目中
  • 与前一个组件输出的端口连接（必须是csv类型）
  • 点击运行该节点

测试用例​

  • 模板

  • 右面板配置

  • 查看结果