### 使用 Python 实现 Bagging 算法并将结果可视化为折线图 Bagging 是一种集成学习技术，它通过对原始数据集进行多次重采样构建多个子模型，并通过投票或平均的方式得出最终预测结果。以下是如何使用 `scikit-learn` 库实现 Bagging 并将其结果以折线图形式可视化的具体方法。 #### 数据准备 首先需要生成或加载一个适合用于分类或回归的任务的数据集。这里我们采用合成的回归数据集作为例子[^2]。 ```python from sklearn.datasets import make_regression import numpy as np import matplotlib.pyplot as plt # 创建合成回归数据集 X, y = make_regression(n_samples=100, n_features=1, noise=0.1, random_state=42) # 排序 X 值以便后续绘图更加清晰 sorted_idx = np.argsort(X[:, 0]) X_sorted = X[sorted_idx] y_sorted = y[sorted_idx] plt.scatter(X_sorted, y_sorted, color='blue', label='Original Data') plt.title('Synthetic Regression Dataset') plt.xlabel('Feature Value') plt.ylabel('Target Value') plt.legend() plt.show() ``` #### 实现 Bagging 回归算法 接下来定义并训练一个基于决策树的 Bagging 回归模型。我们将使用 `BaggingRegressor` 来完成这一任务。 ```python from sklearn.model_selection import train_test_split from sklearn.tree import DecisionTreeRegressor from sklearn.ensemble import BaggingRegressor # 将数据划分为训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 定义基础估计器 (单棵决策树) base_estimator = DecisionTreeRegressor(max_depth=3) # 初始化 Bagging Regressor bagging_regressor = BaggingRegressor(base_estimator=base_estimator, n_estimators=50, random_state=42) # 训练模型 bagging_regressor.fit(X_train, y_train) # 预测整个 X 的目标值 y_pred_all = bagging_regressor.predict(X_sorted) ``` #### 可视化结果为折线图 最后一步是将真实值与预测值绘制在同一张图表上，形成一条对比明显的折线图。 ```python plt.figure(figsize=(10, 6)) plt.scatter(X_sorted, y_sorted, color='blue', alpha=0.6, label='Actual Values') plt.plot(X_sorted, y_pred_all, color='red', linewidth=2, linestyle='-', label='Predicted Values by Bagging') # 添加额外细节美化图形 plt.title('Bagging Regressor Prediction vs Actual Values', fontsize=16) plt.xlabel('Feature Value', fontsize=14) plt.ylabel('Target Value', fontsize=14) plt.grid(True) plt.legend(fontsize=12) plt.tight_layout() # 显示图像 plt.show() ``` --- ### 解释与总结 上述代码完成了以下几个核心步骤： 1. **数据生成**：创建了一个具有噪声的一维回归问题。 2. **模型训练**：应用了带有 50 棵决策树的 Bagging 回归模型。 3. **结果展示**：通过 Matplotlib 绘制了一幅实际值与预测值之间的对比折线图[^1]。 这种可视化方式能够直观反映 Bagging 方法对于平滑波动较大的数据的有效性。 --- ###