xgboost预测鸢尾花数据集

首先，我们需要导入必要的库和鸢尾花数据集：

from sklearn.datasets import load_iris
import xgboost as xgb

iris = load_iris()
X = iris.data
y = iris.target

接着，我们将数据集拆分成训练集和测试集：

from sklearn.model_selection import train_test_split

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

然后，我们需要将数据集转换成 DMatrix 格式：

dtrain = xgb.DMatrix(X_train, label=y_train)
dtest = xgb.DMatrix(X_test, label=y_test)

接着，我们需要设置模型参数：

params = {
    'max_depth': 3,
    'eta': 0.1,
    'objective': 'multi:softmax',
    'num_class': 3}

这里我们设置了树的最大深度为3，学习率为0.1，目标函数为多分类问题，类别数为3。

接下来，我们可以训练模型：

num_round = 50
bst = xgb.train(params, dtrain, num_round)

我们设置了训练轮数为50轮，训练出来的模型保存在 `bst` 变量中。

最后，我们可以用测试集来测试模型：

preds = bst.predict(dtest)

最后，我们可以用测试集来测试模型的准确率：

from sklearn.metrics import accuracy_score

acc = accuracy_score(y_test, preds)
print("Accuracy: {:.2f}%".format(acc * 100))

这就是使用 xgboost 预测鸢尾花数据集的过程。完整代码如下：

from sklearn.datasets import load_iris
import xgboost as xgb
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

iris = load_iris()
X = iris.data
y = iris.target

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

dtrain = xgb.DMatrix(X_train, label=y_train)
dtest = xgb.DMatrix(X_test, label=y_test)

params = {
    'max_depth': 3,
    'eta': 0.1,
    'objective': 'multi:softmax',
    'num_class': 3}

num_round = 50
bst = xgb.train(params, dtrain, num_round)

preds = bst.predict(dtest)

acc = accuracy_score(y_test, preds)
print("Accuracy: {:.2f}%".format(acc * 100))