Python实现多种集成学习回归模型对比分析
本期代码构建了一个端到端的机器学习回归分析与可视化工作流：首先初始化环境，并预设了包含60套渐变色的颜色库；从Excel读取实验数据并按 8:2 划分训练集与测试集，系统化构建了涵盖随机森林、AdaBoost、双重 Bagging、RF-ET Stacking、RF-SVR 混合投票、RF-HGB 堆叠、极端随机树、传统 GBDT 以及直方图 GBDT 共 9 种不同机制的集成学习回归模型；通过封装的通用训练管道调用3折交叉验证网格搜索（GridSearchCV）自动寻优超参数，全面评估并汇总各模型在训练集和测试集上的 MAE、RMSE 与 R2 指标，依据测试集R2自动降序筛选出全局最优模型；最后以真实观测值与预测值为轴绘制散点图，将样本绝对误差动态映射为连续色带并配备独立颜色条，叠加1:1线、固定容差边界带以及训练/测试集拟合直线与方程，针对最优模型进行红色高亮标记，并遍历60种配色方案一键批量导出PNG图及PDF、SVG 矢量图，实现了从特征建模、超参调优、模型比选到科研级插图渲染的全自动闭环流程。