回答情况：
提问时间：
问题标签：
我运行了一个对状态和年份有固定影响的回归(如下面所示)，获得了我的汇总数据，并一直试图使用resid()函数来提取残差。m5 <- lm(demVote ~ state*year, data=presidentialElections)
resid.m5 <-resid(m5)
我认为这一切都是完美的。
浏览 2提问于2014-02-01得票数 0
回答已采纳
我是机器学习领域的初学者，我想学习如何使用梯度增强树(GBT)进行多类分类。我读过一些关于GBT的文章，但是关于回归问题，我找不到关于GBT多类分类的正确解释。GBT的实现是利用回归树作为弱学习者进行多类分类的GradientBoostingClassifier。
GB以提前阶段的方式建立了一个加性模型；它允许对任意可微损失函数进行优化。在每个阶段，n_classes_回归树都适用于二项或多项偏差损失函数的负梯度。二进制分类是一种特殊情况，其中只有一个回归树<
浏览 0修改于2018-04-25得票数 0
回答已采纳
我希望可视化一个回归树构建使用任何集成方法在科学学习(梯度提升回归，随机森林回归，打包回归)。靠近，处理分类器树。但是，这些问题需要“树”方法，这是SKLearn中的回归模型所不能使用的。我遇到了问题，因为这些树的回归版本没有.tree方法(该方法只存在于分类版本)。我想要一个类似于的输出，但是基于一个sci工具包，学习树。
我已经探索了与对象相关的方法，但无法给出答案。
浏览 4修改于2019-10-11得票数 2
回答已采纳
根据我们所知道的学生信息，建立逻辑回归模型来预测学生进入荣誉班级的概率:男性，读= 50，数学= 60。概率是多少？对于构建模型，唯一的变量是女性(必须将性别与代码分开)，荣誉，阅读和数学m5 <- glm(hon ~ female + math + read + female * math *read, data = honor, family = binomial)
当我更深入地作为模型的二元预测因子时，男性是0，女性是1作为水平。
浏览 3修改于2020-04-01得票数 0
我正在学习分类/回归构建树，并想了解树函数是如何知道是构建分类树还是回归树。下面构建分类树：library(ISLR)这将创建一个回归树：set.seed(1)
tree.boston=tree(me
浏览 2提问于2020-03-19得票数 1
回答已采纳
我已经使用caret包的训练函数构建了一个M5 模型树。我正在尝试提取树的每个模型的linear model coefficients。
最终的模型称为m5tune。
浏览 2修改于2018-12-23得票数 0
我的理解是：
在回归树中:每片叶子的目标值计算为训练期间到达该叶的实例的目标值的平均值。在模型树中:每个叶的值是一个线性函数，它使用特征的子集，通过对在训练期间到达该叶的实例执行线性回归来确定。是科学工具中的tree.DecisionTreeRegressor -学习回归树还是模型树
浏览 11修改于2021-03-22得票数 2
回答已采纳
在键值数据库(在我的例子中是MongoDB )中存储目录层次结构/树的干净有效的方法是什么？例如，树形结构 + Audi - M5- Color - Apple- Funny{ parent-dir: "color"这使得插入和重新排序树的任何方面变得非
浏览 4修改于2015-04-22得票数 39
回答已采纳
我对决策树方法很陌生。对于决策树回归模型，它是否只适合于数据的分段步进函数？什么时候，为什么人们会更喜欢它，而不是一些传统的回归，如局部加权(黄土)回归？
浏览 0修改于2017-10-27得票数 3
我使用的是套索回归模型和增强树。在我的问题中，回归模型的性能优于boosted树。因此，我认为我应该第二次使用回归树，第一次使用增强树。
在做这个决定时，我需要考虑哪些因素？
浏览 2提问于2017-10-17得票数 0
我可以知道分类和回归决策树是如何工作的吗？我想知道决策树是如何从分类到投影计算的。(例如，投影是基于特定组的模式吗？)(分类决策树)；它是特定组的平均值吗？(回归决策树)
我想知道决策树背后的理论。
浏览 1提问于2018-01-18得票数 1
回答已采纳
在具有一些特性的数据上，我为回归目的训练了一个随机森林，并且梯度增强了回归树。对于这两种方法，我都计算了特性的重要性，我发现它们有很大的不同，尽管它们的得分相似。对于随机森林回归：RMSE: 89.11
Feature 2: 0.10Feature4: 0.09对于梯度增强的回归树：RMSE: 90.59
F
浏览 1提问于2015-01-09得票数 0
我正在阅读XGBoost指南，我对它在决策树的评分系统和分类/回归树之间的区别感到困惑。我挂的那一段是：
CART 分类回归树与决策树略有不同，在决策树中叶只包含决策值。我对回归决策树的理解是，每个叶都有一个值，它是分配给该叶的所有训练示例的平均值(在遵循树的结构之后)。在一个多树模型中，当我们预测一个新的例子时，我们在每棵树中导航它，然后将它最后的叶子值进行平均值；这个
浏览 0修改于2021-09-14得票数 2
我已经将回归树与我的数据集相匹配，来自summary(tree1)的输出如下：tree(formula = y ~ X)因此，这棵树似乎没有发现任何值得包含的变量/分裂。例如，一条线性回归线发现，F-统计量的p值为0(尽管这是一个基于人类行为的非常嘈杂的数据集，而R-平方并不比0大得多)。
如何解释这个回归树
浏览 0提问于2019-08-01得票数 0
我正在测试一个回归任务的不同模型。在使用OLS、Ridge和Lasso时，我使用了不同的多项式度的解释变量。例子:对于两个变量x和y，2级给出了解释变量x，x^2，xy，y，y^2。然而，在使用决策树时，我不确定使用任何高于1的度作为解释变量是否有意义。示例:在应用决策树回归器时，测试x^2、xy和y^2是否有意义？
我问的原因是，决策树回归是一个非线性回归。一方面，这可能是一个争论，它没有意义，包括高阶多项式，因为十项树已经可以处理非线性。
浏览 0修改于2022-02-25得票数 3
回答已采纳
本文采用线性回归、物流回归、决策树三种不同的算法来解决同一预测问题，并对它们的误差度量进行了比较。最初的问题是MAE、MSE和RMSE值随着每次运行而不断变化，这对我来说确实是个问题。"random_state“参数适用于Logistic回归和决策树，但线性回归不接受此参数。在这种情况下，如何防止错误度量值的更改？对于线性回归，有什么替代"random_state“的方法吗？
浏览 4提问于2022-04-12得票数 0
我使用sklearn.tree.DecisionTreeRegressor预测了一个具有两个独立变量的回归问题，即特征"X"，"Y“和预测的可靠变量"Z”。当我绘制树时，叶子似乎与分类树没有太大不同。结果不是每个叶上的函数，而是每个叶上的单个值，就像在分类中一样。 有人能解释一下，为什么这被称为回归，为什么它不同于分类树吗？因为我似乎误解了sklearn类，有没有python的树包，它会进行“真正的”回归，并且在每个叶子上都有一个
浏览 46提问于2021-01-08得票数 0
以简单回归树的讲座为例。一个回归树被训练和分裂Y在两个参数上。有没有办法在ggplot2中产生类似的东西(包括空间标签)？
浏览 9提问于2016-06-01得票数 3
回答已采纳
4 auto(l5) f 18 29 p compact 6 audi a4 2.8 1999 6 manual(m56 auto(av) f 18 27 p compact
8 audi a4 quattro 1.8 1999
浏览 231修改于2021-03-31得票数 1
回答已采纳
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号