回归树拟合正弦曲线案例

用回归树拟合正弦曲线

让我们的回归树学习正弦曲线，调参观察什么情况下受噪声影响明显
代码：

"""用回归树拟合正弦曲线"""

import numpy as np
from sklearn.tree import DecisionTreeRegressor
import matplotlib.pyplot as plt

rng = np.random.RandomState(1)  # 生成随机数种子
X = np.sort(5 * rng.rand(80, 1), axis=0)  # 生成0~5之间的随机的x的取值
y = np.sin(X).ravel()  # 降为一维数据
y[::5] += 3 * (0.5 - rng.rand(16))  # 真实数据没有那么准确，为拟合真是情况因此加上噪声

regr_1 = DecisionTreeRegressor(max_depth=2)
regr_2 = DecisionTreeRegressor(max_depth=5)
regr_1.fit(X, y)
regr_2.fit(X, y)

X_test = np.arange(0.0, 5.0, 0.01)[:, np.newaxis]  # 升维
y_1 = regr_1.predict(X_test)
y_2 = regr_2.predict(X_test)

plt.figure()
plt.scatter(X, y, s=20, edgecolors='black', c='darkorange', label='data')
plt.plot(X_test, y_1, color='cornflowerblue', label='max_depth=2', linewidth=2)
plt.plot(X_test, y_2, color='yellowgreen', label='max_depth=5', linewidth=2)
plt.xlabel('data')
plt.ylabel('target')
plt.title('Decision Tree Regression')
plt.legend()
plt.show()

结果：

从图中可以看出深度为5的回归树容易受噪声影响，甚至可以发现起点是从噪声点开始的，相比之下深度为2的回归树拟合效果较好，不得不说深度5的回归树学习能力还有待加强。