XGBoost学习

XGBoost广泛应用于推荐系统、信用评分、疾病预测等多个领域。通过实例分析，我们可以直观感受到其在实际问题解决中的强大威力。

下面是一个使用Python实现的简单XGBoost分类任务示例，包括数据预处理、模型训练、评估和预测的基本步骤。此示例使用了著名的鸢尾花（Iris）数据集，该数据集可以直接从sklearn库获取。代码仅供参考～

# 导入所需库
import xgboost as xgb
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 加载鸢尾花数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=123)

# 转换为DMatrix格式，XGBoost的原生数据结构，可以提高效率
dtrain = xgb.DMatrix(X_train, label=y_train)
dtest = xgb.DMatrix(X_test, label=y_test)

# 设置XGBoost参数
param = {
    'eta': 0.3, 
    'max_depth': 3,  
    'objective': 'multi:softmax',  # 多分类问题
    'num_class': 3,               # 类别数
    'eval_metric': 'mlogloss'     # 多分类的评价指标
}

# 训练模型
bst = xgb.train(param, dtrain, num_boost_round=10)

# 预测
preds = bst.predict(dtest)
pred_labels = preds.argmax(axis=1)  # 获取概率最大的类别作为预测类别

# 计算准确率
accuracy = accuracy_score(y_test, pred_labels)
print("Accuracy: %.2f%%" % (accuracy * 100.0))
————————————————

                            版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
                        
原文链接：https://blog.csdn.net/qq_44214428/article/details/139537082