这段话的要害点如下:
– 最小乘方可能回归树作为根基进修器;
– 梯度下降算法(晋升)用语优化通用的风险函数;
– 对付潜在的高维数据拟合通用的线性、可加性和交互性模子。
![](http://img.shujuren.org/pictures/GI/58666e623e802.png)
### 二、mboost安装和加载
代码如下
“`{r}
##mboost包安装和加载
if(!suppressWarnings(require(‘mboost’)))
{
install.packages(‘mboost’)
require(‘mboost’)
}
“`
### 三、mboost应用
对身体脂肪数据构建加性回归模子
#### 第一步:装载数据
“`{r}
data("bodyfat", package = "TH.data")
“`
#### 第二步:模子构建
“`{r}
### 构建加性高斯模子
### 方针变量:DEXfat
### 预测变量:age/waistcirc/hipcirc
### age回收非线性路线函数
### waistcirc回收线性函数
### hipcirc回收滑腻的非线性函数
library(‘mboost’)
mod <- mboost(DEXfat ~ btree(age) + bols(waistcirc) + bbs(hipcirc),
data = bodyfat)
“`
#### 第三步:模子功效可视化
“`{r}
layout(matrix(1:3, nc = 3, byrow = TRUE))
plot(mod, ask = FALSE, main = "formula")
“`
功效见下图:
![](http://img.shujuren.org/pictures/HK/5869215d41b52.png)
#### 第四步:模子预测值摘要阐明
“`{r}
summary(predict(mod))
“`
功效如下:
![](http://img.shujuren.org/pictures/7F/586921f67cc8e.png)
#### 第五步:实际值与模子预测值比拟阐明
“`{r}
layout(matrix(1, nc = 1, byrow = TRUE))
plot(bodyfat$DEXfat, predict(mod))
abline(a = 0, b = 1)
“`
功效见下图:
![](http://img.shujuren.org/pictures/JL/5869231359f6c.png)
### 参考资料:
1 mboost包文档:https://cran.r-project.org/web/packages/mboost/mboost.pdf
2 梯度下降算法:https://en.wikipedia.org/wiki/Gradient_descent
3 GBDT算法:http://www.cnblogs.com/joneswood/archive/2012/03/04/2379615.html
4 mboost教程:http://mboost.r-forge.r-project.org/getting_started/
您在阅读中,有什么发起可能想法,请留言。
假如您以为本文有收获,请小额赞赏,让我有动力继承写出高质量的文章。
![](http://img.shujuren.org/pictures/ST/58666bd55df50.png)