梯度提升输出损失率代码

梯度提升（Gradient Boosting）是一种机器学习算法，常用于回归和分类问题。它通过组合多个弱学习器（如决策树）来构建一个强大的模型。在梯度提升中，每个弱学习器都尝试拟合前一个学习器的残差，从而逐步降低整体误差。

下面是一个使用梯度提升算法进行回归的示例代码，其中输出损失率使用均方误差（MSE）进行计算：

from sklearn.ensemble import GradientBoostingRegressor
from sklearn.metrics import mean_squared_error
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split

# 加载波士顿房价数据集
boston = load_boston()

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(boston.data, boston.target, test_size=0.2, random_state=42)

# 创建梯度提升回归模型
gb_reg = GradientBoostingRegressor(n_estimators=100, learning_rate=0.1, max_depth=3, random_state=42)

# 训练模型
gb_reg.fit(X_train, y_train)

# 预测测试集
y_pred = gb_reg.predict(X_test)

# 计算均方误差
mse = mean_squared_error(y_test, y_pred)

print("输出损失率（均方误差）：", mse)

在这个示例中，我们使用波士顿房价数据集进行训练和测试，并使用 `sklearn` 中的 `GradientBoostingRegressor` 类创建梯度提升回归模型。我们将模型的参数设置为 `n_estimators=100`、`learning_rate=0.1` 和 `max_depth=3`，这些参数可以根据应用场景进行调整。最后，我们使用 `mean_squared_error` 函数计算输出损失率（均方误差）。