AdaBoost算法代码(鸢尾花分类)

好的，以下是基于Python的AdaBoost算法代码：

首先，我们需要导入必要的库和数据集：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import AdaBoostClassifier
from sklearn.model_selection import train_test_split

iris = load_iris()
X = iris.data[:, :2]
y = iris.target

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

接下来，我们定义一个AdaBoost分类器并训练它：

# 定义一个单层决策树作为基分类器
clf = DecisionTreeClassifier(max_depth=1)

# 定义AdaBoost分类器
ada_clf = AdaBoostClassifier(
    base_estimator=clf, 
    n_estimators=200,  # 基分类器的数量
    learning_rate=0.5  # 学习率
)

# 训练AdaBoost分类器
ada_clf.fit(X_train, y_train)

最后，我们可以在测试集上进行预测并计算分类器的准确率：

# 在测试集上进行预测
y_pred = ada_clf.predict(X_test)

# 计算分类器的准确率
accuracy = np.mean(y_pred == y_test)
print("Accuracy: {:.2f}%".format(accuracy * 100))

完整代码如下：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import AdaBoostClassifier
from sklearn.model_selection import train_test_split

iris = load_iris()
X = iris.data[:, :2]
y = iris.target

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 定义一个单层决策树作为基分类器
clf = DecisionTreeClassifier(max_depth=1)

# 定义AdaBoost分类器
ada_clf = AdaBoostClassifier(
    base_estimator=clf, 
    n_estimators=200,  # 基分类器的数量
    learning_rate=0.5  # 学习率
)

# 训练AdaBoost分类器
ada_clf.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = ada_clf.predict(X_test)

# 计算分类器的准确率
accuracy = np.mean(y_pred == y_test)
print("Accuracy: {:.2f}%".format(accuracy * 100))

希望对你有所帮助！