GBDT优化调参案例python

以下是一个GBDT优化调参案例的Python代码示例：

import pandas as pd
from sklearn.ensemble import GradientBoostingRegressor
from sklearn.model_selection import GridSearchCV, train_test_split

# 加载数据集
data = pd.read_csv('data.csv')

# 将数据集划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(data.drop('target', axis=1), data['target'], test_size=0.2, random_state=42)

# 定义GBDT模型
gbdt = GradientBoostingRegressor()

# 定义需要调节的参数范围
param_grid = {
    'learning_rate': [0.1, 0.05, 0.01],
    'n_estimators': [100, 200, 300],
    'max_depth': [3, 4, 5],
    'min_samples_split': [2, 3, 4],
    'min_samples_leaf': [1, 2, 3]
}

# 使用GridSearchCV进行参数调优
gbdt_grid = GridSearchCV(gbdt, param_grid, cv=5, n_jobs=-1)
gbdt_grid.fit(X_train, y_train)

# 输出最优参数
print("Best parameters: ", gbdt_grid.best_params_)

# 在测试集上评估模型性能
print("Test R-squared score: ", gbdt_grid.score(X_test, y_test))

在上述代码中，首先加载数据集并将其划分为训练集和测试集。然后定义了一个GBDT模型，并指定需要调节的参数范围。接下来使用GridSearchCV进行参数调优，使用5折交叉验证，并设置n_jobs为-1以使用所有可用的CPU核心。最后输出最优参数和在测试集上的R2得分。可以根据需要调整参数范围和交叉验证的折数以获得更好的结果。