使用 scikit-learn 进行多目标回归
Posted
技术标签:
【中文标题】使用 scikit-learn 进行多目标回归【英文标题】:Multi-target regression using scikit-learn 【发布时间】:2020-01-02 09:38:34 【问题描述】:我正在使用 python 语言和 scikit-learn 库解决经典的回归问题。很简单:
ml_model = GradientBoostingRegressor()
ml_params =
ml_model.fit(X_train, y_train)
y_train
是一维数组类对象
现在我想扩展任务的功能,获得的不是单个目标值,而是一组目标值。训练样本集X_train
将保持不变。
该问题的一个直观解决方案是训练多个模型,其中所有模型的 X_train
将相同,但每个模型的 y_train
将是特定的。这绝对是一个有效的解决方案,但在我看来,这是一种低效的解决方案。
在寻找替代方案时,我遇到了多目标回归等概念。据我了解,此类功能未在 scikit-learn 中实现。 如何以有效的方式解决python中的多目标回归问题?谢谢)
【问题讨论】:
【参考方案1】:这取决于您解决的问题、您拥有的训练数据以及您选择的用于找到解决方案的算法。在不了解所有细节的情况下很难提出任何建议。您可以尝试以random forest 作为起点。这是一个非常强大且健壮的算法,在您没有太多数据的情况下可以抵抗过度拟合,并且它也可以用于多目标回归。这是一个工作示例:
from sklearn.datasets import make_regression
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestRegressor
X, y = make_regression(n_targets=2)
print('Feature vector:', X.shape)
print('Target vector:', y.shape)
X_train, X_test, y_train, y_test = train_test_split(X, y, train_size=0.8)
print('Build and fit a regressor model...')
model = RandomForestRegressor()
model.fit(X_train, y_train)
score = model.score(X_test, y_test)
print('Done. Score', score)
输出:
Feature vector: (100, 100)
Target vector: (100, 2)
Build and fit a regressor model...
Done. Score 0.4405974071273537
该算法原生支持多目标回归。对于那些没有的,您可以使用multi-output regressor,它只适合每个目标一个回归器。
【讨论】:
【参考方案2】:随机森林方法的另一种替代方法是使用支持向量回归的改编版本,它适合多目标回归问题。使用MultiOutputRegressor
拟合 SVR 的优势在于,该方法考虑了多个目标之间的潜在相关性,因此应该表现更好。
可以找到带有论文参考的工作实现here
【讨论】:
以上是关于使用 scikit-learn 进行多目标回归的主要内容,如果未能解决你的问题,请参考以下文章