【摘要】：众所周知回归决策树模型具有对结果的明确直观的解释性,使其在应用上广受欢迎。但它往往有着准确性不足的缺点,这使得其应用受到了较大的局限。回归决策树的梯度提升法能够较好地保持回归树模型的优点,但其提升效果仍然比较有限。本文针对梯度提升回归树模型的局限做了一种尝试性的改进:(1)用K近邻加权平均函数代替简单平均函数作为节点预测函数;(2)训练每棵回归树之前做随机子样本抽样;(3)用自适应缩减步长代替原算法的缩减步长设置。结合支持向量机的高准确性优势提出了将改进后的梯度提升回归树与支持向量机混合,构建了一种以梯度提升回归树为主支持向量机为辅的混合模型(简称“混合模型”),以最大程度保留梯度提升回归树模型的优点又能提高模型的预测准确性。在该模型的验证方面,我们通过大量的虚拟生成的数据集和9个实例数据集做了计算验证,由此来说明这种混合模型的有效性。最后我们把该模型应用到中国私募股权投资企业估值的实际问题上,通过与传统企业估值理论得出的结果做比较,发现混合模型能够获得更加准确的估值。
到此这篇梯度提升树回归模型怎么做（梯度提升回归树实例）的文章就介绍到这了,更多相关内容请继续浏览下面的相关 推荐文章，希望大家都能在编程的领域有一番成就！版权声明：
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！
转载请注明出处，原文链接：https://www.xkablog.com/jszy-jnts/28775.html