标签：nes cond 生成 ops 特征 nump main print 技术分享
和回归树（在每个叶节点上使用各自的均值做预测）不同，模型树算法需要在每个叶节点上都构建出一个线性模型，这就是把叶节点设定为分段线性函数，这个所谓的分段线性（piecewise linear）是指模型由多个线性片段组成。
#####################模型树#####################
def linearSolve(dataSet): #模型树的叶节点生成函数
m,n = shape(dataSet)
X = mat(ones((m,n))); Y = mat(ones((m,1))) #建立两个全部元素为1的(m,n)矩阵和(m,1)矩阵
X[:,1:n] = dataSet[:,0:n-1]; Y = dataSet[:,-1] #X存放所有的特征，Y存放
xTx = X.T*X
if linalg.det(xTx) == 0.0:
raise NameError(‘This matrix is singular, cannot do inverse,\n try increasing the second value of ops‘)
ws = xTx.I * (X.T * Y) #求线性回归的回归系数
return ws,X,Y
def modelLeaf(dataSet): #建立模型树叶节点函数
ws,X,Y = linearSolve(dataSet)
return ws
def modelErr(dataSet): #模型树平方误差计算函数
ws,X,Y = linearSolve(dataSet)
yHat = X * ws
return sum(power(Y - yHat,2))
main.py
# coding:utf-8 # !/usr/bin/env python import regTrees import matplotlib.pyplot as plt from numpy import * if __name__ == ‘__main__‘: myDat = regTrees.loadDataSet(‘exp2.txt‘) myMat = mat(myDat) myTree = regTrees.createTree(myMat,regTrees.modelLeaf,regTrees.modelErr,(1,10)) print myTree regTrees.plotBestFit(‘exp2.txt‘)
得到两段函数，以0.28为分界
分别为y=3.46877+1.1852x和y=0.001698+11.96477x
而生成该数据的真实模型是y=3.5+1.0x和y=0+12x再加上高斯噪声生成
标签：nes cond 生成 ops 特征 nump main print 技术分享
原文地址：http://www.cnblogs.com/tonglin0325/p/6220521.html
