adaboost的分类代码

以下是一个简单的使用AdaBoost进行二分类的Python代码示例：

from sklearn.ensemble import AdaBoostClassifier
from sklearn.tree import DecisionTreeClassifier
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 生成随机数据
X, y = make_classification(n_samples=1000, n_features=10, n_informative=5, n_redundant=0, random_state=1)

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

# 初始化决策树模型
tree_model = DecisionTreeClassifier(max_depth=2)

# 初始化AdaBoost模型，使用决策树作为基分类器
ada_model = AdaBoostClassifier(base_estimator=tree_model, n_estimators=100, learning_rate=1.0)

# 训练模型
ada_model.fit(X_train, y_train)

# 预测测试集结果
y_pred = ada_model.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

在这个示例中，我们使用了`make_classification`函数生成了1000个样本，每个样本有10个特征，其中有5个是有信息的，其余的是冗余的。我们使用`train_test_split`函数将数据集分割成训练集和测试集，然后初始化一个`DecisionTreeClassifier`作为基分类器，再使用`AdaBoostClassifier`初始化一个AdaBoost模型，并将基分类器传递给它。我们将`n_estimators`设置为100，这意味着我们将使用100个决策树进行训练。最后，我们使用`fit`方法训练模型，使用`predict`方法预测测试集结果，并使用`accuracy_score`计算准确率。