gbdt 回归 python代码

以下是使用Python中的scikit-learn库实现GBDT回归的示例代码：

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

# 加载数据集
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)

# 定义GBDT回归模型并训练
gbdt = GradientBoostingRegressor(n_estimators=100, learning_rate=0.1, max_depth=3, random_state=42)
gbdt.fit(X_train, y_train)

# 在测试集上进行预测并计算均方误差
y_pred = gbdt.predict(X_test)
mse = mean_squared_error(y_test, y_pred)
print('MSE:', mse)

在上述代码中，我们首先加载了波士顿房价数据集，并将其划分为训练集和测试集。然后，我们定义了一个包含100个基本估计器、学习率为0.1、最大深度为3的GBDT回归模型，并在训练集上进行训练。最后，在测试集上进行预测并计算均方误差。