数据集：sklearn 自带数据 load_wine； （2）使用gradientboost完成模型训练及测试；

数据集 `load_wine` 是scikit-learn库中的一个内置数据集，它主要用于分类任务，其中包含葡萄酒品质的相关化学成分测量值，共分为三个类别。这个数据集可以帮助新手理解监督学习算法如何应用于实际问题。

要使用Gradient Boosting (GB)（梯度提升决策树）来对这个数据集进行模型训练和测试，你可以按照以下步骤操作：

1. 导入所需的库：

import numpy as np
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.metrics import accuracy_score, classification_report

2. 加载并查看数据：

wine = datasets.load_wine()
X = wine.data
y = wine.target
print(f"特征数：{X.shape[1]}, 类别数：{len(np.unique(y))}")

3. 数据预处理，如标准化（可选，取决于GB的要求）：

if X.std() != 0:
    scaler = StandardScaler()
    X = scaler.fit_transform(X)

4. 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)

5. 训练 Gradient Boosting 分类器：

gb_model = GradientBoostingClassifier(n_estimators=100, learning_rate=0.1, random_state=42)
gb_model.fit(X_train, y_train)

6. 预测并评估模型性能：

y_pred = gb_model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
report = classification_report(y_test, y_pred, target_names=wine.target_names)

print(f"Accuracy: {accuracy*100:.2f}%")
print("Classification Report:")
print(report)