xgboost的三分类代码

XGBoost是一个高效的梯度提升库，常用于机器学习任务。下面是一个简单的Python示例，展示如何使用XGBoost进行三分类（Multi-class classification）：

# 导入必要的库
import xgboost as xgb
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 加载数据集（这里以鸢尾花为例）
iris = load_iris()
X = iris.data
y = iris.target

# 将类别标签转换为数值编码（假设三个类别分别为0, 1, 2）
le = preprocessing.LabelEncoder()
y_encoded = le.fit_transform(y)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y_encoded, test_size=0.2, random_state=42)

# 定义DMatrix作为XGBoost的数据结构
dtrain = xgb.DMatrix(data=X_train, label=y_train)
dtest = xgb.DMatrix(data=X_test, label=y_test)

# 参数设置（你可以根据需要调整参数）
param = {
    'objective': 'multi:softmax',   # 使用多类概率输出
    'num_class': 3,                  # 有三个类别
    'eval_metric': ['mlogloss'],      # 使用对数损失评估模型
}

# 训练模型
num_round = 100
bst = xgb.train(param, dtrain, num_round)

# 预测
preds = bst.predict(dtest)

# 解码预测结果回原类别
y_pred = le.inverse_transform(preds.argmax(axis=1))

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

在这个例子中，我们首先加载了一个预装的数据集（如鸢尾花），然后将其分为训练集和测试集。接下来，我们将类别标签编码，以便XGBoost可以处理。接着，我们创建了`DMatrix`对象，并设置了相应的参数。最后，我们训练模型并进行预测，计算预测的准确性。