写一下使用sklearn的xgboost的泰坦尼克生存预测的代码
时间: 2024-04-18 19:31:16 浏览: 18
当使用XGBoost进行泰坦尼克号生存预测时,您需要安装XGBoost库并导入所需的模块。以下是一个简单的使用Scikit-learn和XGBoost的代码示例:
```python
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from xgboost import XGBClassifier
# 加载数据集
data = pd.read_csv('titanic_dataset.csv')
# 数据预处理
# ...
# 划分特征和目标变量
X = data.drop('Survived', axis=1)
y = data['Survived']
# 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=42)
# 创建XGBoost分类器模型
model = XGBClassifier()
# 拟合模型
model.fit(X_train, y_train)
# 在测试集上进行预测
y_pred = model.predict(X_test)
# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("准确率:", accuracy)
```
在上面的代码中,您需要将泰坦尼克号的数据集保存为一个CSV文件(例如'titanic_dataset.csv'),然后加载数据集并进行必要的数据预处理步骤。接下来,将特征和目标变量分别赋值给变量X和y。然后,使用`train_test_split`函数将数据集划分为训练集和测试集。接着,创建XGBoost分类器模型并使用训练集进行拟合。然后,使用测试集进行预测,并计算准确率来评估模型的性能。
请注意,上述代码仅为示例,您可能需要根据实际情况进行适当的数据预处理和参数调整。此外,还可以使用交叉验证等方法来更全面地评估模型的性能。