梯度提升模型

现在我们来训练一个梯度提升（GB）模型。有人打过比方，线性模型像 Toyota Camry，而 GB 则像 Black Hawk 直升机。GB 有可能优于随机森林，但并非总是如此。这被称为没有免费午餐定理，也就是说，每个问题都应该多尝试几种不同的模型。

GB 与随机森林相似，但不同之处在于树是逐步构建的。每次迭代时，下一棵树会拟合上一棵树的残差误差，从而改进整体拟合效果。

目前我们不搜索超参数——这些已为您提前调好。

本练习是课程的一部分

Python 金融机器学习

查看课程

练习说明

使用已为您设置好的超参数创建一个 GradientBoostingRegressor 对象。
将 gbr 模型拟合到 train_features 和 train_targets。
分别打印训练集与测试集的特征和目标的分数。

交互式实操练习

通过完成这段示例代码来试试这个练习。

from sklearn.ensemble import GradientBoostingRegressor

# Create GB model -- hyperparameters have already been searched for you
gbr = ____(max_features=4,
                                learning_rate=0.01,
                                n_estimators=200,
                                subsample=0.6,
                                random_state=42)
gbr.fit(____)

print(gbr.score(train_features, train_targets))
____

编辑并运行代码