ML之catboost:基于自定义数据集利用catboost 算法实现回归预测(训练采用CPU和GPU两种方式)
ML之catboost:基于自定义数据集利用catboost 算法实现回归预测(训练采用CPU和GPU两种方式)
目录
基于自定义数据集利用catboost 算法实现回归预测(训练采用CPU和GPU两种方式)
输出结果
# T1、训练采用CPU
# T2、训练采用GPU
实现代码
基于自定义数据集利用catboost 算法实现回归预测(训练采用CPU和GPU两种方式)
输出结果
# T1、训练采用CPU
0: learn: 7.9608417 total: 50.2ms remaining: 1.46s
1: learn: 7.7618206 total: 50.5ms remaining: 707ms
2: learn: 7.5879985 total: 50.9ms remaining: 458ms
3: learn: 7.4148674 total: 51.4ms remaining: 334ms
4: learn: 7.2488388 total: 51.6ms remaining: 258ms
5: learn: 7.0676178 total: 51.8ms remaining: 207ms
6: learn: 6.8909273 total: 51.9ms remaining: 171ms
7: learn: 6.7186541 total: 52.1ms remaining: 143ms
8: learn: 6.5506878 total: 52.3ms remaining: 122ms
9: learn: 6.3869206 total: 52.4ms remaining: 105ms
10: learn: 6.2272476 total: 52.6ms remaining: 90.9ms
11: learn: 6.0715664 total: 52.8ms remaining: 79.2ms
12: learn: 5.9197772 total: 52.9ms remaining: 69.2ms
13: learn: 5.7717828 total: 53.1ms remaining: 60.7ms
14: learn: 5.6274882 total: 53.2ms remaining: 53.2ms
15: learn: 5.4868010 total: 53.4ms remaining: 46.7ms
16: learn: 5.3496310 total: 53.6ms remaining: 41ms
17: learn: 5.2158902 total: 53.7ms remaining: 35.8ms
18: learn: 5.0854930 total: 53.9ms remaining: 31.2ms
19: learn: 4.9583556 total: 54ms remaining: 27ms
20: learn: 4.8343967 total: 54.2ms remaining: 23.2ms
21: learn: 4.7135368 total: 54.4ms remaining: 19.8ms
22: learn: 4.5956984 total: 54.5ms remaining: 16.6ms
23: learn: 4.4808059 total: 54.7ms remaining: 13.7ms
24: learn: 4.3687858 total: 54.9ms remaining: 11ms
25: learn: 4.2595661 total: 55ms remaining: 8.46ms
26: learn: 4.1530770 total: 55.2ms remaining: 6.13ms
27: learn: 4.0492501 total: 55.3ms remaining: 3.95ms
28: learn: 3.9480188 total: 55.5ms remaining: 1.91ms
29: learn: 3.8493183 total: 55.7ms remaining: 0us
[14.72696421 19.90303684]
# T2、训练采用GPU
0: learn: 7.9608417 total: 114ms remaining: 3.29s
1: learn: 7.7618210 total: 118ms remaining: 1.65s
2: learn: 7.5677758 total: 122ms remaining: 1.1s
3: learn: 7.3785819 total: 125ms remaining: 814ms
4: learn: 7.1941178 total: 128ms remaining: 642ms
5: learn: 7.0142648 total: 132ms remaining: 529ms
6: learn: 6.8389078 total: 136ms remaining: 446ms
7: learn: 6.6679348 total: 140ms remaining: 385ms
8: learn: 6.5012368 total: 143ms remaining: 335ms
9: learn: 6.3387062 total: 149ms remaining: 297ms
10: learn: 6.1802387 total: 153ms remaining: 264ms
11: learn: 6.0257332 total: 156ms remaining: 234ms
12: learn: 5.8750898 total: 162ms remaining: 212ms
13: learn: 5.7282121 total: 166ms remaining: 190ms
14: learn: 5.5850064 total: 171ms remaining: 171ms
15: learn: 5.4453814 total: 175ms remaining: 153ms
16: learn: 5.3092462 total: 180ms remaining: 137ms
17: learn: 5.1765153 total: 184ms remaining: 122ms
18: learn: 5.0471030 total: 188ms remaining: 109ms
19: learn: 4.9209255 total: 193ms remaining: 96.3ms
20: learn: 4.7979018 total: 196ms remaining: 84.2ms
21: learn: 4.6779541 total: 200ms remaining: 72.7ms
22: learn: 4.5610056 total: 204ms remaining: 62.1ms
23: learn: 4.4469804 total: 208ms remaining: 51.9ms
24: learn: 4.3358058 total: 212ms remaining: 42.5ms
25: learn: 4.2274105 total: 218ms remaining: 33.6ms
26: learn: 4.1217256 total: 223ms remaining: 24.8ms
27: learn: 4.0186824 total: 227ms remaining: 16.2ms
28: learn: 3.9182151 total: 230ms remaining: 7.95ms
29: learn: 3.8202597 total: 235ms remaining: 0us
[14.67884178 20. ]
实现代码
# ML之catboost:基于自定义数据集实现回归预测
from catboost import CatBoostRegressor#1、定义数据集
train_data = [[12, 14, 16, 18], [23, 25, 27, 29], [32, 34, 36, 38]]
train_labels = [10, 20, 30]eval_data = [[2, 4, 6, 8], [20, 21, 24, 33]]#2、模型预测
model_CatBR = CatBoostRegressor(iterations=30, learning_rate=0.1, depth=2)
model_CatBR.fit(train_data, train_labels)
preds = model_CatBR.predict(eval_data)
print(preds)
ML之catboost:基于自定义数据集利用catboost 算法实现回归预测(训练采用CPU和GPU两种方式)相关推荐
- ML:基于自定义数据集利用Logistic、梯度下降算法GD、LoR逻辑回归、Perceptron感知器、SVM支持向量机、LDA线性判别分析算法进行二分类预测(决策边界可视化)
ML:基于自定义数据集利用Logistic.梯度下降算法GD.LoR逻辑回归.Perceptron感知器.支持向量机(SVM_Linear.SVM_Rbf).LDA线性判别分析算法进行二分类预测(决策 ...
- ML之K-means:基于DIY数据集利用K-means算法聚类(测试9种不同聚类中心的模型性能)
ML之K-means:基于DIY数据集利用K-means算法聚类(测试9种不同聚类中心的模型性能) 目录 输出结果 设计思路 实现代码 输出结果 设计思路 1.使用均匀分布函数随机三个簇,每个簇周围1 ...
- DL之DNN:基于自定义数据集利用深度神经网络(输入层(10个unit)→2个隐藏层(10个unit)→输出层1个unit)实现回归预测实现代码
DL之DNN:基于自定义数据集利用深度神经网络(输入层(10个unit)→2个隐藏层(10个unit)→输出层1个unit)实现回归预测实现代码 目录 基于自定义数据集利用深度神经网络(输入层(10个 ...
- 在Scrapy中如何利用Xpath选择器从HTML中提取目标信息(两种方式)
点击上方"Python爬虫与数据挖掘",进行关注 回复"书籍"即可获赠Python从入门到进阶共10本电子书 今 日 鸡 汤 坚定,严谨,勤奋,开拓 前一阵子我 ...
- ML之CatboostC:基于titanic泰坦尼克数据集利用catboost算法实现二分类
ML之CatboostC:基于titanic泰坦尼克数据集利用catboost算法实现二分类 目录 基于titanic泰坦尼克数据集利用catboost算法实现二分类 设计思路 输出结果 核心代码 相 ...
- ML之FE:基于自定义数据集(银行客户信息贷款和赔偿)对比实现特征衍生(手动设计新特征、利用featuretools工具实现自动特征生成)
ML之FE:基于自定义数据集(银行客户信息贷款和赔偿)对比实现特征衍生(手动设计新特征.利用featuretools工具实现自动特征生成) 目录 基于自定义数据集(银行客户信息贷款和赔偿)对比实现特征 ...
- ML之FE:基于自定义数据集(银行客户信息贷款和赔偿)对比实现特征衍生(手动设计新特征、利用featuretools工具实现自动构造特征/特征衍生)
ML之FE:基于自定义数据集(银行客户信息贷款和赔偿)对比实现特征衍生(手动设计新特征.利用featuretools工具实现自动构造特征/特征衍生) 目录 基于自定义数据集(银行客户信息贷款和赔偿)对 ...
- ML之LoR:基于信用卡数据集利用LoR逻辑回归算法实现如何开发通用信用风险评分卡模型之以toad框架全流程讲解
ML之LoR:基于信用卡数据集利用LoR逻辑回归算法实现如何开发通用信用风险评分卡模型之以toad框架全流程讲解 目录 基于信用卡数据集利用LoR逻辑回归算法实现如何开发通用信用风险评分卡模型之以to ...
- ML之FE:基于波士顿房价数据集利用LightGBM算法进行模型预测然后通过3σ原则法(计算残差标准差)寻找测试集中的异常值/异常样本
ML之FE:基于波士顿房价数据集利用LightGBM算法进行模型预测然后通过3σ原则法(计算残差标准差)寻找测试集中的异常值/异常样本 目录 基于波士顿房价数据集利用LiR和LightGBM算法进行模 ...
最新文章
- 问题总结两天来两场实习面试(中科创达、华为)
- KNN学习之图像分类与KNN原理
- mysql delete删除列,在MySQL中删除我的Key列 (Delete my Key column in MySQL)
- 释放linux 内存
- SAP MM Consignment 寄售库存
- 编写AXI4协议读写BRAM并仿真验证
- sqlDataAdapter的FillSchema用法
- jQuery调用WebService返回JSON数据
- 三、操作系统——生产者-消费者问题(两个同步一个互斥)
- 一条消息未发,粉丝已破千万
- 如何打造高大上的微信朋友圈 打造微信高逼格朋友圈教程
- 3389远程批量服务器,3389远程桌面登陆器 支持3389远程批量连接
- 图书馆管理系统代码html语言,图书管理系统html - WEB源码|源代码 - 源码中国
- 傅里叶光学 matlab,基于MATLAB的傅里叶光学实验的计算机模拟
- 股票语音播报软件 炒股语音实时播报
- 我的世界java生存命令方块,我的世界命令方块指令大全
- 讨论:男孩为何要找比自己小的女孩?
- 用eclipse和androidstudio和基于高德地图API开发的附近购平台的java服务端和android客户端数据库用mysql包括程序设计图
- 基于EasyNVR实现RTSP_Onvif监控摄像头Web无插件化直播监控之视频直播网络占用率大如何解决的问题分析
- 简单的网易云音乐热门评论爬虫
热门文章
- 在非UI线程中处理Bitmap
- 讯飞输入法皮肤制作_讯飞输入法拍了拍你 粤语专项计划进展神速应用广泛
- 驱动编程中的头文件与内核源码的关系
- 阿里巴巴开源OpenJDK长期支持版本,Java全球管理组织唯一中国企业
- BZOJ2816:[ZJOI2012]网络(LCT)
- 201621123079《java程序设计》第六周作业总结
- 烦人的Facebook分享授权
- Vue.js学习系列(三十四)-- Vue.js样式绑定(五)
- IIS部署ArcGIS JS API4.10后,字体未加载加载字体跨域
- Error loading MySQLdb module: No module named MySQLdb