۵ کیو· متوسط رو به بالامتوسطPYTHON۴ ثانیه · ۲۵۶ مگابایت

بوستینگ با کُنده‌ها

تابع boost_predict(x, y, B, lam, x0) الگوریتم بوستینگ برای رگرسیون را با یک ویژگی و درخت‌های تک‌برشی (کُنده، stump) اجرا می‌کند:

$\hat f(x) = 0$ و باقی‌مانده‌ها $r = y$ .
برای $b = 1, \dots, B$ $b = 1, \dots, B$ :
- یک کُنده $\hat f^b$ را روی $(x, r)$ برازش بده: آستانه‌ی $s$ از میان نقطه‌های وسط مقدارهای یکتای پشت‌سرهم $x$ ، با کمترین مجموع RSS دو بخش (در تساوی، کوچک‌ترین آستانه)؛ پیش‌بینی هر بخش میانگین $r$ در همان بخش ( $x \le s$ چپ).
- $\hat f \leftarrow \hat f + \lambda \hat f^b$
- $r \leftarrow r - \lambda \hat f^b(x)$
خروجی، $\hat f(x_0) = \sum_b \lambda \hat f^b(x_0)$ برای هر نقطه‌ی x0.

B عدد صحیح است و lam نرخ یادگیری $\lambda$ .

نمونه‌ها

ورودی نمونه ۱

[[0.13, 0.27, 0.56, 2.09, 2.58, 3.4, 3.73, 4.81, 5.12, 5.25], [-0.26, 0.14, 0.74, 1.22, 1.25, 1.1, 0.74, 0.62, 0.72, 0.66], 1, 1.0, [1.0, 3.0, 5.0]]

خروجی نمونه ۱

[0.8812, 0.8812, 0.8812]

ورودی نمونه ۲

[[0.13, 0.27, 0.56, 2.09, 2.58, 3.4, 3.73, 4.81, 5.12, 5.25], [-0.26, 0.14, 0.74, 1.22, 1.25, 1.1, 0.74, 0.62, 0.72, 0.66], 3, 0.5, [1.0, 3.0, 5.0]]

خروجی نمونه ۲

[0.6365, 0.7737, 0.7737]

برای نوشتن پاسخ و دریافت امتیاز، ابتدا وارد حساب شوید.