new_data = new_data.drop('event_type', axis=1) # 划分数据集 X = new_data.drop(["user_id","product_id","new_column"], axis=1) y = new_data["new_column"] # 将数据集划分为训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) le = LabelEncoder() y_train = le.fit_transform(y_train) import xgboost as xgb from sklearn.metrics import accuracy_score # 定义xgboost模型 xgb_model = xgb.XGBClassifier() # 设置参数空间 best_params= { 'max_depth': 5, 'learning_rate': 0.05, 'n_estimators': 200, 'min_child_weight': 1.5, 'subsample':0.7, 'reg_alpha': 0.1, 'reg_lambda': 0.1, } # 输出最优参数 print('Best Parameter:', best_params) # 使用最优参数构建新的xgboost模型 best_xgb_model = xgb.XGBClassifier(**best_params) best_xgb_model.fit(X_train, y_train) # 使用新模型进行预测 y_pred = best_xgb_model.predict(X_test)改为使用svm模型

好的，将xgboost模型改为svm模型，代码如下：

from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# 定义svm模型
svm_model = SVC(kernel='rbf', gamma='auto')

# 设置参数空间
best_params = {
    'C': 1,
    'kernel': 'rbf',
    'gamma': 'auto'
}

# 输出最优参数
print('Best Parameter:', best_params)

# 使用最优参数构建新的svm模型
best_svm_model = SVC(**best_params)
best_svm_model.fit(X_train, y_train)

# 使用新模型进行预测
y_pred = best_svm_model.predict(X_test)