#输出最佳的分类器及其再测试样本上的分类结果
# 定义参数搜索空间
param_grid = {
'base_estimator': [DecisionTreeClassifier(max_depth=7, min_samples_leaf=7)],
'n_estimators': [50, 100, 150],
'learning_rate': [0.5, 0.75, 1.0]
}
# 构建 AdaBoostClassifier
clf = AdaBoostClassifier()
# 使用交叉验证选择最佳分类器
best_clf = GridSearchCV(clf, param_grid, cv=5)
best_clf.fit(X_train, y_train)
# 输出最佳分类器及其参数
print("最佳分类器:", best_clf.best_estimator_)
print("最佳参数:", best_clf.best_params_)
# 使用最佳分类器进行预测
y_pred = best_clf.predict(X_test)
# 输出分类结果
print("分类结果:")
print(y_pred)
应用AdaBoost算法估计马疝
最新推荐文章于 2024-08-24 14:08:21 发布