python - 为回归建立一个合理的梯度提升模型
问题描述
我正在估算房价。该数据集有 26 个特征,例如区域、年龄、电梯、停车等。我已经训练了一个用于回归的 Gradient Boosting 模型,模型的性能几乎可以接受,但问题是对于某些特征,特征之间的关系与预测值不合理。例如,通过增加建筑物的年龄,我们总是期望房子的价格会下降。尽管在数据集中它并不总是发生,但趋势正如我预期的那样下降;或者我希望有电梯的房子的预测价格总是比没有电梯的类似房子高,但对于很多样本来说,它不会发生。如何强制模型在属性和预测之间具有合理的相关性?
解决方案
推荐阅读
- linux - 如何使用 bash 脚本自动使用选定列对数据进行子集化过程?
- ios - 如何使 Thread.callstacksymbols 输出可读
- r - 如何使用 R 绘制 Pabon Lasso 图
- c# - 如何使用 isTrigger ON 添加 PolygonCollider2D 组件?
- node.js - 使用 Typescript 设置 Express 以使用顶级异步
- python-3.x - 如何从中提取最佳参数
? 如何解释这个输出? - javascript - 仅在将鼠标悬停在复选框链接上时显示文本描述
- python - 我如何证明一个特定的序列算法总是奇怪的?
- ruby-on-rails - 如果已经为用户运行,Rails 6 防止多模型逻辑启动的方法是什么?
- function - 将随机浮点值重新映射到对数刻度