Random forest арқылы оқыту моделін құру

29 
Құрылған модельді оқытамыз. Ол үшін fit методын қолданамыз. 
3.25 Сурет - fit методын қолдану 
Валидациялық таңдау негізінде бағаның болжамды мәнін есептейміз 
3.26 Сурет - Random Forest моделінің нәтежиелері 
predict әдісі (val_X) валидациялық (тексеру) Х датасетінің бағасын 
болжайды. Ал біз жасаған print_metrics() функциясы алдын ала болжанған және 
және алдын ала белгілі бағаларды алады және метрика мәндерін басып 
шығарады. 
XGBoost қарапайым кездейсоқ орманға қарағанда жоғары нәтижелерге уәде 
беретін градиентті бустинг кітапханасын қосамыз. Модельді құру және оқыту 
идеясы екі әдістеде бірдей. Біз оны белгілі гиперпараметрлермен жасаймыз, 
үйретеміз, болжаймыз, метрика мәндерін есептейміз. 
3.27 Сурет - XGBoostRegressor объектісі 

30 
3.28 Сурет - fit методын қолдану 
3.29 Сурет - XGBoostRegresso моделінің нәтежиелері 
Нәтиже жақсарды. Алайда айтарлықтай жақсы көрсеткіш емес. Біздің 
жағдайда XGBoost орташа абсолютті қатені 1,2 %-ға, медиандық абсолюттік 
қатені 0,03 %-ға жақсартты. 
Модельді құруда random forest құру кезінде белгілердің маңыздылығын көру 
жолы бар. 

31 
3.30 Сурет - Маңыздылық рейтингісін анықтау функциясы 
Белгілер маңыздылық рейтингі (2.31-cурет): 
1) distance (0.208145); 
2) floorsTotal (0.187365); 
3) floor Number (0.151959); 
4) azimuth (0.148174); 
5) totalArea (0.137509); 
6) year (0.079775); 
7) state (0.062748); 
8) wallmaterial (0.024325). 
3.31 Сурет - Белгілер маңыздылық рейтингі 

32 

жүктеу 1,96 Mb.

Достарыңызбен бөлісу: