使用 iris 数据集训练一个 BaggingClassifier 分类器

使用Iris数据集训练一个BaggingClassifier分类器通常是在Python的Scikit-learn库中进行的。Iris数据集是一个经典的数据分析案例，包含了三种不同类型的鸢尾花的测量数据。以下是基本步骤：

1. **导入所需库**:
首先，你需要导入必要的模块，如`sklearn.datasets`, `sklearn.ensemble`, `sklearn.model_selection` 和 `numpy`.

import numpy as np
from sklearn import datasets
from sklearn.ensemble import BaggingClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

2. **加载数据**:
加载Iris数据集并查看前几行。

iris = datasets.load_iris()
X = iris.data
y = iris.target
print(X[:5], y[:5])

3. **数据预处理**:
将数据分为训练集和测试集。

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

4. **创建BaggingClassifier**:
创建BaggingClassifier实例，并指定基础分类器（比如决策树或KNN），以及所需的其他参数，例如样本数、特征数等。

base_estimator = DecisionTreeClassifier() # 或者 KNeighborsClassifier()
bag_clf = BaggingClassifier(base_estimator, n_estimators=100, max_samples=0.7, random_state=42)

5. **训练模型**:
使用训练数据拟合模型。

bag_clf.fit(X_train, y_train)

6. **评估模型**:
预测测试集，计算准确率。

y_pred = bag_clf.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)