bagging五分类代码

下面是使用Python语言实现五分类的Bagging算法的示例代码：

from sklearn.ensemble import BaggingClassifier
from sklearn.tree import DecisionTreeClassifier
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split

# 生成样本数据集
X, y = make_classification(n_samples=1000, n_features=10, n_informative=5, n_classes=5, random_state=1)

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=1)

# 定义基分类器
base_clf = DecisionTreeClassifier()

# 定义Bagging分类器
bagging_clf = BaggingClassifier(base_estimator=base_clf, n_estimators=10)

# 训练分类器
bagging_clf.fit(X_train, y_train)

# 测试分类器
accuracy = bagging_clf.score(X_test, y_test)
print("Bagging分类器的准确率为：", accuracy)

在上述代码中，我们首先使用`make_classification`函数生成了一个包含1000个样本和10个特征的数据集，其中有5个特征对分类起到了作用，分类数为5。然后将数据集分为训练集和测试集，接着定义了一个基分类器`DecisionTreeClassifier`，并使用`BaggingClassifier`函数定义了一个Bagging分类器，其中`base_estimator`参数指定了基分类器，`n_estimators`参数指定了需要训练的基分类器的数量。最后使用`fit`函数对分类器进行训练，使用`score`函数计算分类器在测试集上的准确率。