梯度提升集成

Boosting（提升）是一种按顺序训练的技术：前一位预测器的误差作为后一位预测器的输入。Gradient Boosting（梯度提升）使用梯度下降来最小化逐一加入的分类树的对数损失，这些单独的树本身是较弱的决策模型。用于回归的梯度提升类似，但会在梯度下降中使用如均方误差等损失函数。

在本练习中，您将创建一个 Gradient Boosting 分类器模型，并将其性能与上一个练习中的随机森林进行比较。该随机森林模型的准确率为 72.5%。

loan_data 数据框已完成划分，并以 X_train、X_test、y_train 和 y_test 的形式提供在您的工作区中。

本练习是课程的一部分

用 Python 练习机器学习面试题

查看课程

交互式实操练习

通过完成这段示例代码来试试这个练习。

# Import
from sklearn.____ import ____
from sklearn.____ import ____, ____, ____, ____, ____

# Instantiate
gb_model = ____(____=____, learning_rate=___,random_state=123)

编辑并运行代码