machine-learning - 如何建立决策树回归模型

我正在学习ML，并且正在做一个简单的动手，如下所示：

//
将boston.data分成两组，分别为x_train和x_test。另外，将boston.target分成两组y_train和y_test。

使用默认参数，从x_train集合构建决策树回归模型。
//

我为此做了以下代码：

from sklearn import datasets, model_selection, tree

boston = datasets.load_boston()

x_train, x_test, y_train, y_test = model_selection.train_test_split(boston.data,boston.target, random_state=30)

dt  = tree.DecisionTreeRegressor()

dt_reg = dt.fit(x_train)

当我在上面做的时候，它给出了：

TypeError: fit() missing 1 required positional argument: 'y'

我可以为一个训练数据集拟合模型吗？

我在这里应该给什么“ y”？

最佳答案

如错误所示，fit()方法针对回归问题采用两个参数，即预测变量和结果：

dt_reg = dt.fit(x_train, y_train)

有监督的学习模型（例如您正在使用的回归树）需要一组由特征组成的观察值（X_train的每一行都可以理解为包含一个观察特征的向量）和目标结果（向量中的每个元素）

关于machine-learning - 如何建立决策树回归模型，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/56150132/