Python全系列 教程
3567个小节阅读:5929.8k
目录
鸿蒙应用开发
C语言快速入门
JAVA全系列 教程
面向对象的程序设计语言
Python全系列 教程
Python3.x版本,未来主流的版本
人工智能 教程
顺势而为,AI创新未来
大厂算法 教程
算法,程序员自我提升必经之路
C++ 教程
一门通用计算机编程语言
微服务 教程
目前业界流行的框架组合
web前端全系列 教程
通向WEB技术世界的钥匙
大数据全系列 教程
站在云端操控万千数据
AIGC全能工具班
A A
White Night
投资商经常会通过多个不同渠道投放广告,以此来获得经济利益。在本案例中我们选
取公司在电视、广播和报纸上的投入,来预测广告收益,这对公司策略的制定是有较重要的
意义。
x# 读取数据
import pandas as pd
df = pd.read_excel('广告收益数据.xlsx')
# 划分特征变量和目标变量
X = df.drop(columns='收益')
y = df['收益']
# 划分训练集和测试集
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=123)
# 模型训练
from xgboost import XGBRegressor
model = XGBRegressor() # 使用默认参数
model.fit(X_train, y_train)
# 模型评估
print(model.score(X_test, y_test)) # 计算R^2值
# 通过上一节讲过的feature_importances_属性,我们来查看模型的特征重要性:
features = X.columns # 获取特征名称
importances = model.feature_importances_ # 获取特征重要性
# 通过二维表格形式显示
importances_df = pd.DataFrame()
importances_df['特征名称'] = features
importances_df['特征重要性'] = importances
importances_df.sort_values('特征重要性', ascending=False)
1. 关于广告收益预测,下列说法正确的是:
A 收益数据是一个离散型的类别数据
B 只能使用一种算法对广告收益进行预测
C 投资商经常会通过多个不同渠道投放广告,以此来获得经济利益
D 广告收益预测模型不重要
2. 使用XGBoost进行回归预测的是_______:
A XGBClassifier
B AdaBoostRegressor
C DecisionTreeClassifier
D XGBRegressor
1=>C 2=>D