如何解决将偏移量合并到 Python 中的 sklearn 泊松决策树回归中？
我正在研究如何最好地在 Python 中重现这样的 R 代码：
library(rpart) # "Recursive partitioning for classification,regression and survival trees". Default metric: Gini impurity
tree <- rpart(cbind(Exposure,ClaimNb) ~ Area + VehPower + VehAge + DrivAge
+ BonusMalus + VehBrand + VehGas + Density + Region,dat,method="poisson",control=rpart.control(maxdepth=3,cp=0.001))
# complexity-parameter cp is used to control the number of splits
来源：https://www.kaggle.com/floser/glm-neural-nets-and-xgboost-for-insurance-pricing/comments
是否有一种优雅的方式将偏移量（在本例中为曝光）合并到 DecisionTreeRegressor 中？还是我只需要将响应变量除以偏移量？
顺便说一句，链接中的决策树图形真的非常好，似乎很难在 Python 中重现。一方面，除非您对分类变量进行热编码，否则 sklearn 决策树似乎无法处理分类变量，而且我还没有弄清楚如何让变量名称在决策树中很好地显示。>
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。
