GBM在python怎么用

GBM是一种梯度提升机算法，可以用于分类和回归问题。在Python中，可以使用scikit-learn库来实现GBM模型。

以下是一个简单的示例：

1. 导入必要的库和数据集

from sklearn.datasets import load_iris
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.model_selection import train_test_split

iris = load_iris()
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=42)

2. 创建GBM模型并拟合训练数据

gbm = GradientBoostingClassifier(n_estimators=100, learning_rate=0.1, max_depth=3, random_state=42)
gbm.fit(X_train, y_train)

3. 使用模型进行预测并评估模型性能

y_pred = gbm.predict(X_test)
print("Accuracy:", gbm.score(X_test, y_test))

以上就是使用Python中scikit-learn库实现GBM模型的基本步骤。需要注意的是，GBM模型有很多超参数需要调整，如n_estimators（树的数量）、learning_rate（学习率）和max_depth（树的最大深度）等。因此，在实际应用中，需要进行超参数调优以获得更好的性能。