svm 和xgboost 的代码
时间: 2023-12-24 16:01:21 浏览: 72
svm的代码可以用Python的scikit-learn库来实现。以下是一个简单的SVM分类器的代码示例:
```python
from sklearn import svm
import numpy as np
# 准备训练数据
X = np.array([[1, 2], [2, 3], [3, 4], [4, 5], [5, 6]])
y = np.array([0, 1, 0, 1, 0])
# 使用svm.SVC拟合数据
clf = svm.SVC(kernel='linear')
clf.fit(X, y)
# 预测新数据
print(clf.predict([[2, 2]]))
```
而对于xgboost,可以使用XGBoost库来实现。以下是一个简单的xgboost分类器的代码示例:
```python
import xgboost as xgb
import numpy as np
# 准备训练数据
X = np.array([[1, 2], [2, 3], [3, 4], [4, 5], [5, 6]])
y = np.array([0, 1, 0, 1, 0])
# 转换数据为DMatrix格式
dtrain = xgb.DMatrix(X, label=y)
# 设置参数
param = {'max_depth': 3, 'eta': 0.3, 'objective': 'binary:logistic'}
num_round = 5
# 训练模型
bst = xgb.train(param, dtrain, num_round)
# 预测新数据
dtest = xgb.DMatrix(np.array([[2, 2]]))
print(bst.predict(dtest))
```
这是两种不同的机器学习算法的实现方式,分别使用了scikit-learn和XGBoost库。它们分别适用于不同的情况和数据类型,可以根据实际需求选择合适的算法来进行建模和预测。
阅读全文