如何在Python中使用Tensorflow和增强树？

Tensorflow可以与增强树一起使用来提高数据集的预测性能。数据以通常方式加载和预处理，但是当进行预测时，会使用多个模型进行预测，并将所有这些模型的输出组合在一起以得出最终结果。

更多Python相关文章，请阅读：Python 教程

我们将使用Keras Sequential API构建一个顺序模型来处理纯层堆栈，其中每个层恰好具有一个输入张量和一个输出张量。

至少包含一个层的神经网络称为卷积层。我们可以使用卷积神经网络构建学习模型。

我们使用Google Colaboratory来运行以下代码。Google Colab或Colaboratory可在浏览器上运行Python代码，不需要任何配置，并可免费访问GPU（图形处理单元）。 Colaboratory是基于Jupyter Notebook构建的。

我们将看到如何使用决策树和tf.estimator API训练梯度提升模型。增强树模型被认为是回归和分类最流行和有效的机器学习方法之一。它是一种组合技术，将10个或数百个或数千个树模型的预测组合在一起。它们可以在最少的超参数调整下实现出色的性能。

示例

import numpy as np
import pandas as pd
from IPython.display import clear_output
from matplotlib import pyplot as plt
print("加载数据集")
dftrain = pd.read_csv('https://storage.googleapis.com/tf-datasets/titanic/train.csv')
dfeval = pd.read_csv('https://storage.googleapis.com/tf-datasets/titanic/eval.csv')
print("删除'survived'列")
y_train = dftrain.pop('survived')
y_eval = dfeval.pop('survived')
import tensorflow as tf
tf.random.set_seed(123)

代码来源 – https://www.tensorflow.org/tutorials/estimator/boosted_trees

输出

加载数据集
删除'survived'列

说明

• 导入所需的包。
• 加载数据集。
• 它以csv文件的形式读取。
• 删除“survived”列。