对网站建设的考核机制东莞房价

对网站建设的考核机制,东莞房价,天河区门户网站教育专栏,建协网官方网站NGBoost-shap方法回归任务#xff0c;由斯坦福吴恩达团队提出#xff0c;属于集成模型的一种2019年提出的#xff0c;算是比较新的方法了 自带数据集#xff0c;可以直接运行#xff0c;对模型采用shap进行分析#xff0c;所有图所见即所得 python 代码NGBoost这玩意儿最…NGBoost-shap方法回归任务由斯坦福吴恩达团队提出属于集成模型的一种2019年提出的算是比较新的方法了 自带数据集可以直接运行对模型采用shap进行分析所有图所见即所得 python 代码NGBoost这玩意儿最近在回归任务里挺火作为吴恩达团队整出来的新活它最骚的地方在于既能预测数值还能估计不确定性。咱们今天直接上手实操用自带数据集快速搞个可复现的demo顺带用SHAP把模型掰开了揉碎了看看。先装个环境别问问就是pip大法好pip install ngboost shap上代码直接开整先加载内置的糖尿病数据集from ngboost import NGBRegressor from sklearn.datasets import load_diabetes from sklearn.model_selection import train_test_split X, y load_diabetes(return_X_yTrue) X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.2, random_state42) ngb NGBRegressor(Distngboost.distns.Normal, n_estimators100) ngb.fit(X_train, y_train) # 预测时同时拿到预测值和置信区间 preds ngb.pred_dist(X_test) print(f均值预测示例{preds.params[loc][:3]}) print(f标准差示例{preds.params[scale][:3]})这里用了正态分布作为基分布n_estimators设到100能保证基础学习器足够多。预测结果直接返回分布参数比普通回归只能输出个数值有意思多了。接下来用SHAP扒开模型看细节import shap # 用TreeExplainer适配树模型结构 explainer shap.TreeExplainer(ngb) shap_values explainer.shap_values(X_test) # 特征重要性可视化 shap.summary_plot(shap_values, X_test, feature_namesload_diabetes().feature_names)运行后会跳出两张神图第一张是特征总体重要性明显能看到s5血清检测指标和age对预测结果影响最大第二张是特征作用方向图每个点颜色代表特征值大小能直观看到高年龄对应的预测值偏移方向。想具体看单个预测案例上force_plot# 选个有意思的样本观察 sample_idx 15 shap.force_plot(explainer.expected_value, shap_values[sample_idx], X_test[sample_idx], feature_namesload_diabetes().feature_names)这图看着就很有说服力——基线值在150左右s5特征硬生生把预测结果拉低了20个点bmi又给顶上去10个点。这种可视化比看表格里的系数值直观十个Level实测中发现NGBoost对参数挺敏感把Dist换成LogNormal分布预测区间立马变得右偏。SHAP分析时也会发现特征影响方向发生微妙变化这说明模型结构的选择会直接影响可解释性结果。建议跑多个分布配置对比着看特别是当业务场景对不确定性方向有要求时。最后来个骚操作把预测分布画出来看不确定性import matplotlib.pyplot as plt plt.figure(figsize(10,6)) plt.scatter(y_test, preds.params[loc], alpha0.5) plt.errorbar(y_test, preds.params[loc], yerr2*preds.params[scale], fmto, alpha0.3) plt.plot([y.min(), y.max()], [y.min(), y.max()], r--)这个误差带可视化直接暴露了模型在极端值区域的预测乏力——当真实值超过250时预测点明显偏离红色对角线同时误差带急剧变宽。这种双重可视化把模型优缺点直接拍脸上比单纯看R²得分带劲多了。总结下来NGBoostSHAP的组合拳特别适合需要量化不确定性的场景比如金融风控、医疗预测。代码层面几乎零魔改就能出效果但要注意分布假设对可解释性的影响。下次遇到产品经理说我要个能解释的AI直接甩这个方案过去就完事了。