MLの研究では、虹彩データセットの予測を分類するためにXGBoostノート

輸入XGBとしてxgboost
 輸入のNPとしてnumpyの
 輸入PDとしてパンダ
 から sklearn.model_selectionの輸入train_test_split 
 
場合 __name__ == 「__main__ 」：
    iris_feature_E = 「がく片な長さ」、「がく片の幅」、「花びらの長さ」、「花びらの幅」
    iris_feature = " 萼片の長さ「」がく片の幅」、" 花弁の長さ"、" 花弁の幅" 
    iris_class = " アイリス-setosa "、" アイリス・ベルシカラー"、" アイリス-virginicaの" 
    
    データ = pd.read_csv（" iris.data "、ヘッダ= なし）
    iris_types =データ[4 ] .unique（）
     のための I型に列挙（iris_types）：
        data.set_value（データ[ 4] ==種類、4 、I）
    、X、Y = np.split（data.values、（4） 、軸= 1 ）
 
    x_train、x_test、y_train、y_test = train_test_split（X、Y、test_size = 0.7、random_state = 1 ）
 
    data_train = xgb.DMatrix（x_train、ラベル= y_train）
    data_test = xgb.DMatrix（x_test、ラベル= y_test）
    ウォッチリスト = [（ data_test、' 評価'）、（data_train、' 列車' ）] 
    PARAM = { ' MAX_DEPTH '：3 ' ETA '：1、' 無音'：1、' 目標'：' マルチ：ソフトマックス'、' num_class '：3 } 
 
    BST = xgb.train（PARAM、data_train、num_boost_round = 10、試用版= ウォッチリスト）
    y_hat = bst.predict（data_test）
    結果 = y_test.reshape（1、-1）== y_hat
     プリント（' 精度：\トン"、フロート（np.sum（結果））/ lenは（y_hat））