梯度提升树python

梯度提升树（Gradient Boosting Tree）是一种常用的机器学习算法，它通过迭代地训练一系列的决策树来实现分类和回归任务。下面是一个使用Python实现梯度提升树的示例：

首先，我们需要导入必要的库：

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

然后，我们加载数据集并将其划分为训练集和测试集：

boston = load_boston()
X_train, X_test, y_train, y_test = train_test_split(boston.data, boston.target, test_size=0.2, random_state=42)

接着，我们定义一个梯度提升树模型并进行训练：

gbt = GradientBoostingRegressor(n_estimators=100, learning_rate=0.1, max_depth=1, random_state=42)
gbt.fit(X_train, y_train)

在训练完成后，我们可以使用测试集来评估模型的性能：

y_pred = gbt.predict(X_test)
mse = mean_squared_error(y_test, y_pred)
print("MSE: %.4f" % mse)

最后，我们可以使用模型进行预测：

new_data = np.array([[0.02, 80.0, 3.0, 0.0, 0.5, 6.0, 50.0, 4.0, 4.0, 280.0, 20.0, 390.0, 5.0]])
prediction = gbt.predict(new_data)
print("Prediction: %.2f" % prediction)

这就是一个使用Python实现梯度提升树的示例。请注意，这只是一个简单的示例，实际使用中可能需要进行更多的参数调整和数据预处理。