Bagging分类器（二分类） 网格搜索算法 python代码

下面是使用Bagging分类器进行二分类任务的网格搜索算法Python代码：

from sklearn.ensemble import BaggingClassifier
from sklearn.model_selection import GridSearchCV
from sklearn.datasets import make_classification

# 生成随机数据集
X, y = make_classification(n_samples=1000, n_features=10, n_informative=5, n_redundant=0, random_state=42)

# 定义Bagging分类器
bagging = BaggingClassifier()

# 定义要搜索的参数范围
param_grid = {
    'n_estimators': [10, 50, 100],
    'max_samples': [0.5, 0.8, 1.0],
    'max_features': [0.5, 0.8, 1.0],
}

# 定义网格搜索对象
grid_search = GridSearchCV(estimator=bagging, param_grid=param_grid, cv=5, n_jobs=-1)

# 进行网格搜索
grid_search.fit(X, y)

# 打印最佳参数
print(grid_search.best_params_)

在上述代码中，我们使用`make_classification`函数生成了一个随机的二分类数据集。然后，我们定义了一个`BaggingClassifier`分类器，并使用`GridSearchCV`进行网格搜索。在网格搜索中，我们定义了要搜索的参数范围，并将`cv`参数设置为5，表示使用5折交叉验证来评估模型的性能。最后，我们调用`fit`方法开始进行网格搜索，并打印出最佳参数。