scikit-learnでソフトラベルを使ったGradientBoostingTreeトレーニング？

Question

私は論文を再構成しています。彼らは、入力Xとソフトターゲットy_sが与えられたときに、グラジエントブースト回帰木を訓練し、最小平均自乗誤差で最終出力yを得た。論文に関しては、scitkit-learnパッケージを使用して、すべての意思決定ツリーベースのメソッドを修正なしに実装しました。これは私がしたいことです。あなたが解決策を知っている場合

は、すでに私はそうここに私の考えがあり、聞いて幸せになる： ただ簡単にするために、我々は X = [[×1×2×3] [×1×2×3]とのバイナリの問題があるとし.. 。]および y_s [[0.4 0.6] [0.8 0.2] ...]。

分類GradientBoostingTreeに関して私はコスト関数を上書きするときに私はそうであっても、1次元のクラスアレイ

(y : array-like, shape = [n_samples]) Target values (integers in classification, real numbers in regression) For classification, labels must correspond to classes.

に供給することができ、（上記のリンクを参照）（例えば、クロスエントロピー）柔らかいラベルを扱うことができる、私はまだ2つの薄い柔らかいラベル（少なくとも）で食べることができません。

もう1つのアイデアは、1つのソフトラベル（ソフトラベルの両方が1になるバイナリ問題のみ）を取り、代わりにGradientBoostingRegressionを使用することで、1-dimに減らすことでした。しかし、再び一つだけクラスが可能であり、また、私は..ので、出力間の相関の

ビッグピクチャーを

X = [[1,2,3], [1,2,3], [4,5,6]] 
y = [[3.141, 2.718], [3.141, 2.718], [2.718, 3.141]] 
rgr = MultiOutputRegressor(GradientBoostingRegressor(random_state=0)) 
rgr.fit(X, y) 
X_test = [[1.5,2.5,3.5], [3.5,4.5,5.5]] 
rgr.predict(X_test) 

のような独立したモデルを訓練することはできません。 組み合わせた機能の1抽出 2. a）訓練：元の特徴（X）、柔らかいラベル（yb） - >訓練：抽出された特徴（Xb）、元のラベル（y） - >ロジスティック回帰 b）予測：ソフトラベル（yb） 3. a） GradientBoostingTree b）評価：正常なラベルを予測する（y_） - >元の機能の重要性

ソフトラベルのない手順全体は意味がありません。私はそれが何らかの形で可能にする必要がありますが、私はどのように把握することはできません意味... multi-output decision trees上

http://scikit-learn.org/stable/modules/generated/sklearn.ensemble.GradientBoostingClassifier.html http://scikit-learn.org/stable/auto_examples/ensemble/plot_gradient_boosting_regression.html

Answer 1

のscikit-学ぶドキュメントは