63 lines
2.5 KiB
ObjectPascal
63 lines
2.5 KiB
ObjectPascal
|
// В этом примере сравниваются три модели на нелинейной задаче:
|
|||
|
|
// линейная регрессия, дерево решений и градиентный бустинг.
|
|||
|
|
//
|
|||
|
|
// Градиентный бустинг строит много небольших деревьев последовательно.
|
|||
|
|
// Каждое следующее дерево старается исправить ошибки предыдущих,
|
|||
|
|
// поэтому на сложных зависимостях такая модель часто работает очень хорошо.
|
|||
|
|
|
|||
|
|
uses MLABC;
|
|||
|
|
|
|||
|
|
begin
|
|||
|
|
var (X, y) := Datasets.MakeRegression(
|
|||
|
|
n := 300,
|
|||
|
|
nFeatures := 8,
|
|||
|
|
nInformative := 2,
|
|||
|
|
noise := 0.35,
|
|||
|
|
coefScale := 1.0,
|
|||
|
|
bias := 0.0,
|
|||
|
|
nonlinearStrength := 4.0,
|
|||
|
|
shuffle := True,
|
|||
|
|
seed := 42
|
|||
|
|
);
|
|||
|
|
|
|||
|
|
var (XTrain, XTest, yTrain, yTest) := Validation.TrainTestSplit(
|
|||
|
|
X, y, testRatio := 0.3, seed := 42
|
|||
|
|
);
|
|||
|
|
|
|||
|
|
var linear := new LinearRegression;
|
|||
|
|
linear.Fit(XTrain, yTrain);
|
|||
|
|
|
|||
|
|
var tree := new DecisionTreeRegressor(maxDepth := 6, minSamplesSplit := 10, minSamplesLeaf := 5);
|
|||
|
|
tree.Fit(XTrain, yTrain);
|
|||
|
|
|
|||
|
|
var boosting := new GradientBoostingRegressor(
|
|||
|
|
nEstimators := 120,
|
|||
|
|
learningRate := 0.1,
|
|||
|
|
maxDepth := 3,
|
|||
|
|
minSamplesSplit := 10,
|
|||
|
|
minSamplesLeaf := 5,
|
|||
|
|
subsample := 1.0,
|
|||
|
|
seed := 42
|
|||
|
|
);
|
|||
|
|
boosting.Fit(XTrain, yTrain);
|
|||
|
|
|
|||
|
|
var yPredLinear := linear.Predict(XTest);
|
|||
|
|
var yPredTree := tree.Predict(XTest);
|
|||
|
|
var yPredBoosting := boosting.Predict(XTest);
|
|||
|
|
|
|||
|
|
var r2Linear := RegressionMetrics.R2(yTest, yPredLinear);
|
|||
|
|
var r2Tree := RegressionMetrics.R2(yTest, yPredTree);
|
|||
|
|
var r2Boosting := RegressionMetrics.R2(yTest, yPredBoosting);
|
|||
|
|
|
|||
|
|
Println('Сравнение моделей на нелинейной зависимости');
|
|||
|
|
Println;
|
|||
|
|
Println($'Линейная регрессия: R² = {r2Linear:F3}');
|
|||
|
|
Println($'Дерево решений: R² = {r2Tree:F3}');
|
|||
|
|
Println($'Градиентный бустинг: R² = {r2Boosting:F3}');
|
|||
|
|
Println;
|
|||
|
|
Println('Интерпретация результата:');
|
|||
|
|
Println('- Линейная модель плохо подходит для сложной нелинейной зависимости.');
|
|||
|
|
Println('- Одно дерево решений уже может уловить форму данных.');
|
|||
|
|
Println('- Градиентный бустинг последовательно исправляет ошибки и часто даёт самый точный прогноз.');
|
|||
|
|
end.
|