基于基于sklearn实现实现Bagging算法（算法（python））
本文使用的数据类型是数值型，每一个样本6个特征表示，所用的数据如图所示：
图中A,B,C,D,E,F列表示六个特征，G表示样本标签。每一行数据即为一个样本的六个特征和标签。
实现Bagging算法的代码如下：
from sklearn.ensemble import BaggingClassifier
from sklearn.tree import DecisionTreeClassifier
from sklearn.preprocessing import StandardScaler
import csv
from sklearn.cross_validation import train_test_split
from sklearn.metrics import accuracy_score
from sklearn.metrics import confusion_matrix
from sklearn.metrics import classification_report
data=[] traffic_feature=[] traffic_target=[] csv_file = csv.reader(open('packSize_all.csv'))
for content in csv_file:
content=list(map(float,content))
if len(content)!=0:
data.append(content)
traffic_feature.append(content[0:6])//存放数据集的特征
traffic_target.append(content[-1])//存放数据集的标签
print('data=',data)
print('traffic_feature=',traffic_feature)
print('traffic_target=',traffic_target)
scaler = StandardScaler() # 标准化转换
scaler.fit(traffic_feature) # 训练标准化对象
traffic_feature= scaler.transform(traffic_feature) # 转换数据集
feature_train, feature_test, target_train, target_test = train_test_split(traffic_feature, traffic_target, test_size=0.3,random_state=0)
tree=DecisionTreeClassifier(criterion='entropy', max_depth=None)
# n_estimators=500:生成500个决策树
clf = BaggingClassifier(base_estimator=tree, n_estimators=500, max_samples=1.0, max_features=1.0, bootstrap=True, bootstrap_features=False, n_jobs=1, random_state=1)
clf.fit(feature_train,target_train)
predict_results=clf.predict(feature_test)
print(accuracy_score(predict_results, target_test))
conf_mat = confusion_matrix(target_test, predict_results)
print(conf_mat)
print(classification_report(target_test, predict_results))
运行结果如图所示：
您可能感兴趣的文章您可能感兴趣的文章:python常用库之NumPy和sklearn入门Python使用sklearn库实现的各种分类算法简单应用小结Python使用sklearn实现的各种回归算法示例python sklearn库实现
简单逻辑回归的实例代码Python3.5 + sklearn利用SVM自动识别字母验证码方法示例对sklearn的使用之数据集的拆分与训练详解(python3.6)Python sklearn KFold 生成交叉验证数据
集的方法对python sklearn one-hot编码详解Python基于sklearn库的分类算法简单应用示例python利用sklearn包编写决策树源代码
评论0