bagging算法python实现

Bagging算法是一种集成学习方法，通过集成多个不同的分类器来提高分类的准确度。以下是一个简单的Bagging算法的Python实现：

from sklearn.ensemble import BaggingClassifier
from sklearn.tree import DecisionTreeClassifier
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split

# 生成分类数据
X, y = make_classification(n_samples=1000, n_features=10, n_informative=5, n_classes=2, random_state=1)

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=1)

# 创建分类器
clf = DecisionTreeClassifier()

# 创建Bagging分类器
bagging = BaggingClassifier(base_estimator=clf, n_estimators=10, random_state=1)

# 训练模型
bagging.fit(X_train, y_train)

# 预测结果
y_pred = bagging.predict(X_test)

# 计算准确率
accuracy = bagging.score(X_test, y_test)
print("Bagging算法的准确率：", accuracy)

以上代码中，我们使用了`sklearn`库中的`BaggingClassifier`类来实现Bagging算法。在创建Bagging分类器时，我们需要指定基分类器（`base_estimator`）、分类器数量（`n_estimators`）以及随机种子（`random_state`）等参数。训练模型后，我们可以使用`score`方法计算模型的准确率。