EL之RF(随机性的Bagging+DTR)：利用随机选择属性的bagging方法解决回归(对多变量的数据集+实数值评分预测)问题

输出结果

设计思路

核心代码

for iTrees in range(numTreesMax):

   modelList.append(DecisionTreeRegressor(max_depth=treeDepth))

   #第一个随机：随机抽取属性样本

   idxAttr = random.sample(range(ncols), nAttr)

   idxAttr.sort()

   indexList.append(idxAttr)

   #第二个随机：随机抽取训练行样本

   idxRows = []

   for i in range(int(0.5 * nTrainRows)):

       idxRows.append(random.choice(range(len(xTrain))))

   idxRows.sort()

   xRfTrain = []

   yRfTrain = []

   for i in range(len(idxRows)):

       temp = [xTrain[idxRows[i]][j] for j in idxAttr]

       xRfTrain.append(temp)

       yRfTrain.append(yTrain[idxRows[i]])

   modelList[-1].fit(xRfTrain, yRfTrain)

   xRfTest = []

   for xx in xTest:

       temp = [xx[i] for i in idxAttr]

       xRfTest.append(temp)

   latestOutSamplePrediction = modelList[-1].predict(xRfTest)

   predList.append(list(latestOutSamplePrediction))