CNN和RNN更多的是用來處理圖像識(shí)別和語(yǔ)音識(shí)別，日常工作中我們可能更多的是基于結(jié)構(gòu)化數(shù)據(jù)來解決分類或回歸問題。下面用XGBoost來開發(fā)一個(gè)簡(jiǎn)單的二分類問題。

數(shù)據(jù)集用來判斷患者是否會(huì)在5年內(nèi)患糖尿病，有9列數(shù)據(jù)， 前8列是變量數(shù)據(jù)，最后一列是標(biāo)簽數(shù)據(jù)。

數(shù)據(jù)集地址

https://archive.ics.uci.edu/ml/machine-learning-databases/pima-indians-diabetes/pima-indians-diabetes.data

from numpy import loadtxt from xgboost import XGBClassifier from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score#分出變量和標(biāo)簽 dataset = loadtxt('pima-indians-diabetes.data', delimiter=",")X = dataset[:,0:8] #前8列為數(shù)據(jù) Y = dataset[:,8] #最后一列是標(biāo)簽數(shù)據(jù)#將數(shù)據(jù)分為訓(xùn)練集和測(cè)試集，訓(xùn)練集用來訓(xùn)練模型，測(cè)試集用來預(yù)測(cè) seed = 7 test_size = 0.33 X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=test_size, random_state=seed)#訓(xùn)練模型 model = XGBClassifier() model.fit(X_train, y_train)#評(píng)估模型 y_pred = model.predict(X_test) predictions = [round(value) for value in y_pred] #xgboost 的結(jié)果是每個(gè)樣本屬于第一類的概率，需要用 round 將其轉(zhuǎn)換為 0 1 值#準(zhǔn)確率 accuracy = accuracy_score(y_test, predictions) print("Accuracy: %.2f%%" % (accuracy * 100.0))

參考資料

http://geek.csdn.net/news/detail/201207

總結(jié)

以上是生活随笔為你收集整理的XGBoost入门的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。