梯度提升决策树代码

以下是使用Python中的sklearn库实现梯度提升决策树（Gradient Boosting Decision Tree）的示例代码：

from sklearn.ensemble import GradientBoostingClassifier
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 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)

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

# 创建梯度提升决策树分类器
gbdt = GradientBoostingClassifier(n_estimators=100, learning_rate=0.1, max_depth=3, random_state=42)

# 训练模型
gbdt.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = gbdt.predict(X_test)

# 计算准确率
acc = accuracy_score(y_test, y_pred)

print("Accuracy:", acc)

在这个示例中，我们使用`make_classification`函数生成了一个包含1000个样本和10个特征的随机数据集，并将其划分为训练集和测试集。然后我们创建了一个包含100个决策树的梯度提升决策树分类器，并使用训练集训练了该模型。最后，我们在测试集上进行预测，并计算了准确率。