基于Scikit-learn模型列表迭代预测：多目标模型构建技术问询

没问题，我来帮你完成这段代码！你想要为每个目标变量单独训练一个Gradient Boosting回归模型，然后把训练好的模型统一存到ml_list里对吧？下面是完整的可运行实现：

import pandas as pd
import numpy as np
from sklearn.ensemble import GradientBoostingRegressor as GBM

# 你的输入数据
df_learn = pd.DataFrame({'x1':[0,0,0,1,1,1], 'x2':[1,0,1,0,1,0], 'x3':[1,1,0,0,0,0]})
target_learn = pd.DataFrame({'y1':[1,0,0,2,2,0], 'y2':[1,1,1,0,1,0]})
target_colnames = ['y1', 'y2']

# 生成每个目标变量对应的模型列表
ml_list = [GBM().fit(df_learn, target_learn[col]) for col in target_colnames]

关键说明： #

• 这里用了列表推导式来简化代码，遍历target_colnames里的每个目标列名：
  • 对每个列col，先实例化一个GBM模型（你可以在这里添加自定义参数，比如GBM(n_estimators=200, max_depth=3)来调整模型性能）
  • 立即用fit()方法，传入预测变量df_learn和对应的目标列target_learn[col]完成训练
• 最终ml_list里的第一个元素是针对y1训练好的模型，第二个元素是针对y2训练好的模型，后续你可以直接用ml_list[0].predict(new_data)来做预测。

内容的提问来源于stack exchange，提问作者AshOfFire