梯度提升分类器模型，如何对鸢尾花数据集进行预测？

我们相信：世界是美好的，你是我也是。平行空间的世界里面，不同版本的生活也在继续...

本文描述sklearn包中的梯度提升分类器模型，英文名是GradientBoostingClassifier。依然还是以最经典的鸢尾花数据集作为数据范例，依然是主打短平快，梯度提升分类器模型的参数细节，并不在本文讨论的范围内。

苏南大叔的“程序如此灵动”博客，记录苏南大叔的代码编程经验文章。测试环境：win10，python@3.12.0，sklearn@1.2.2。

获得鸢尾花训练集

鸢尾花数据集获得的方式很多，本文使用sklearn自带的load_iris()函数来加载150条鸢尾花数据。切分数据集，依然使用固定radom_state的方式，拿到被打乱的数据。

获取数据集的代码如下：

from sklearn.model_selection import train_test_split
from sklearn.datasets import load_iris

iris = load_iris()
X = iris.data
y = iris.target
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=8)

参考文章：

• https://newsn.net/say/sklearn-load_iris.html
• https://newsn.net/say/sklearn-csv.html
• https://newsn.net/say/sklearn-train_test_split.html

梯度提升分类器模型预测

梯度提升算法（Gradient Boosting）是一种集成学习算法，它通过构建多个弱分类器，然后将它们组合成一个强分类器来提高模型的预测准确率。

from sklearn.ensemble import GradientBoostingClassifier

model = GradientBoostingClassifier()
model.fit(X_train, y_train)
predictions = model.predict(X_test)
print(predictions)
print("梯度提升模型准确度:", model.score(X_test, y_test))

输出：

[0 0 0 2 1 0 0 2 2 1 1 0 1 1 1 2 2 2 2 1 1 0 1 1 1 0 2 0 0 2]
梯度提升模型准确度: 0.8666666666666667

结束语

机器学习的各种模型非常多，但是使用起来都是极其类似的。仅仅是换个库，换个模型名字，就可以做预测。当然，为了更好的预测效果，还是可以做各种参数调优的，待后续文章进行讨论。

更多sklearn的文章，请点击：

• https://newsn.net/tag/sklearn/

如果本文对您有帮助，或者节约了您的时间，欢迎打赏瓶饮料，建立下友谊关系。
本博客不欢迎：各种镜像采集行为。请尊重原创文章内容，转载请保留作者链接。