adaboost拟合网格图的python代码

Adaboost是一种集成学习算法，它通过迭代的方式组合弱分类器形成强分类器。要在Python中使用`sklearn`库实现AdaBoost并绘制网格搜索结果（通常用于参数优化），你可以使用`GridSearchCV`结合`AdaBoostClassifier`。下面是一个简单的示例：

# 导入所需的库
from sklearn.ensemble import AdaBoostClassifier
from sklearn.model_selection import GridSearchCV
from sklearn.datasets import load_iris
from sklearn.metrics import accuracy_score
import matplotlib.pyplot as plt

# 加载数据集
iris = load_iris()
X, y = iris.data, iris.target

# 定义参数网格
param_grid = {
    'n_estimators': [50, 100, 200],
    'learning_rate': [0.1, 0.5, 1.0]
}

# 创建AdaBoost分类器
ada_clf = AdaBoostClassifier(random_state=42)

# 使用网格搜索
grid_search = GridSearchCV(ada_clf, param_grid, cv=5, scoring='accuracy')
grid_search.fit(X, y)

# 获取最佳参数和模型
best_params = grid_search.best_params_
best_ada_clf = grid_search.best_estimator_

# 预测并计算准确率
y_pred = best_ada_clf.predict(X)
accuracy = accuracy_score(y, y_pred)
print(f"Best parameters: {best_params}")
print(f"Accuracy: {accuracy}")

# 可视化网格结果（这里假设你想要看的是决策边界）
# 如果你想画出每个参数组合对应的决策边界，你需要使用更复杂的可视化工具如eli5或shap，这超出了常规GridSearchCV范围
# 因为AdaBoost的决策边界绘制较复杂，一般会直接展示各个弱分类器的重要性

# 但是，对于最终结果，你可以打印出网格上的评分
cv_results = grid_search.cv_results_
for mean_score, params in zip(cv_results['mean_test_score'], cv_results['params']):
    print(f"{mean_score:.3f} for {params}")

#