24/8/9算法笔记 决策树VS线性回归

复制代码
from sklearn.tree import DecisionTreeRegressor

from sklearn.linear_model import LinearRegression

from sklearn import datasets

from sklearn.model_selection import train_test_split
import numpy as np

X,y = datasets.load_diabetes(return_X_y=True)#糖尿病数据
X_train,X_test,y_train,y_test = train_test_split(X,y)

model = LinearRegression()
model.fit(X_train,y_train)
#上面得分更高,训练数据
#数据量足够大,一定是上面得分更加高
print('训练数据得分',model.score(X_train,y_train))
print('测试数据得分',model.score(X_test,y_test))
复制代码
import matplotlib.pyplot as plt
plt.rcParams['font.family'] ='Fangsong'
plt.figure(figsize = (12,6))
max_depth = np.arange(1,16)
score=[]
score2=[]
for d in max_depth:
    model = DecisionTreeRegressor(max_depth=d)
    model.fit(X_train,y_train)
    score2.append(model.score(X_train,y_train))
    s = model.score(X_test,y_test)
    score.append(s)
    
plt.plot(max_depth,score2,'g*-')#绿色的线是训练数据,随着树深度的增加得分变化
plt.plot(max_depth,score,'ro-')#'红色的是测试数据随深度的增加
plt.xlabel('树最大深度',fontsize = 18)
plt.ylabel('Score',fontsize = 18)
plt.title('决策树得分随着树深度变化',fontsize = 18)
plt.legend(['训练数据的得分','测试数据的得分'],fontsize=18)
print('最高分数',max(score))

决策树和线性回归是两种常用的机器学习算法,它们在很多方面有所不同:

  1. 模型类型

    • 决策树:是一种非参数的监督学习算法,用于分类和回归任务。它通过学习简单的决策规则从数据特征中推断出目标值。
    • 线性回归:是一种参数的监督学习算法,仅用于回归任务。它假设输入特征和输出变量之间存在线性关系。
  2. 处理数据的能力

    • 决策树可以处理数值和类别数据,而且不需要假设数据的分布。
    • 线性回归通常假设数据符合正态分布,并且主要处理数值数据。
  3. 模型解释性

    • 决策树模型易于理解和解释,可以可视化地展示决策过程。
    • 线性回归模型的解释性也很好,因为它基于权重系数来表示特征对预测结果的影响。
  4. 对非线性问题的处理

    • 决策树能够很好地处理非线性问题,因为它通过分割数据空间来捕捉复杂的模式。
    • 线性回归在处理非线性问题时表现不佳,因为它仅适用于线性关系。
  5. 过拟合风险

    • 决策树容易过拟合,尤其是当树变得非常深和复杂时。需要使用剪枝等技术来控制模型复杂度。
    • 线性回归通常不容易过拟合,除非特征数量接近或超过样本数量。
  6. 模型复杂度

    • 决策树的复杂度可以通过树的深度和叶子节点的数量来衡量。
    • 线性回归的复杂度通常较低,因为它只涉及特征的线性组合。
  7. 训练速度

    • 决策树通常训练速度较快,尤其是在使用像 CART 这样的算法时。
    • 线性回归的训练速度通常非常快,因为它只涉及解决一个优化问题。
  8. 预测速度

    • 决策树的预测速度通常较快,因为只需要进行一系列的比较操作。
    • 线性回归的预测速度也很快,因为它只涉及计算一个线性组合。
  9. 多输出问题

    • 决策树可以很容易地扩展到多输出问题,尽管需要对每个输出单独建模。
    • 线性回归也可以处理多输出问题,但每个输出需要一个独立的模型。
  10. 特征选择

    • 决策树在构建过程中可以进行特征选择,自动选择最有信息量的特征进行分裂。
    • 线性回归通常需要预先进行特征选择,以避免模型性能下降。
相关推荐
雁于飞11 小时前
vscode中使用git、githup的基操
笔记·git·vscode·学习·elasticsearch·gitee·github
rannn_11112 小时前
【Javaweb学习|实训总结|Week1】html基础,CSS(选择器、常用样式、盒子模型、弹性盒布局、CSS定位、动画),js(基本类型、运算符典例)
css·笔记·学习·html
Ro Jace12 小时前
心灵笔记:第一性原理学习与实践
笔记
蒋星熠12 小时前
Flutter跨平台工程实践与原理透视:从渲染引擎到高质产物
开发语言·python·算法·flutter·设计模式·性能优化·硬件工程
小欣加油13 小时前
leetcode 面试题01.02判定是否互为字符重排
数据结构·c++·算法·leetcode·职场和发展
3Cloudream13 小时前
LeetCode 003. 无重复字符的最长子串 - 滑动窗口与哈希表详解
算法·leetcode·字符串·双指针·滑动窗口·哈希表·中等
王璐WL13 小时前
【c++】c++第一课:命名空间
数据结构·c++·算法
aramae13 小时前
C++ -- 模板
开发语言·c++·笔记·其他
空白到白14 小时前
机器学习-聚类
人工智能·算法·机器学习·聚类
小马学嵌入式~14 小时前
嵌入式 SQLite 数据库开发笔记
linux·c语言·数据库·笔记·sql·学习·sqlite