跳到主要内容

集成学习案例一 例8.3和8.5

image.png image.png 机器学习8.3,8.5.zip

  1. 进入算盘-应用开发，点击导入-选择下载好的流程包完成导入。

image.png

  1. 进入项目，点击运行-调试，等待项目开始运行。
  2. 选中机器学习组件，在参数设置面板中，点击配置-新窗口打开。
  3. 在组件列表-数据集中拖出文件上传，在参数设置面板中，上传西瓜数据集。

watermelon.csv

  1. 在组件列表-特征工程中拖出标签编码，在目标字段输入框中输入“色泽,根蒂,敲声,纹理,脐部,触感,好瓜”，以将非数字数据转换为数字。

image.png

  1. 在组件列表-Python模块中拖出Python脚本编辑器，在参数设置面板中输入Python代码，实现AdaBoost分类器。

image.png

def run(in1 = None):
    from sklearn.ensemble import AdaBoostClassifier
    import numpy as np
    import pandas as pd
    
    clf=AdaBoostClassifier()
    clf.fit(in1[['色泽','根蒂','敲声','纹理','脐部','触感','密度','含糖率']],in1['好瓜'])
    res1=clf.predict(in1[['色泽','根蒂','敲声','纹理','脐部','触感','密度','含糖率']])
    in1['prediction']=res1
    return in1

  1. 在组件列表-Python模块中拖出Python脚本编辑器，在参数设置面板中输入Python代码，实现Bagging分类器。

image.png

def run(in1 = None):
    from sklearn.ensemble import BaggingClassifier
    import numpy as np
    import pandas as pd
    
    clf=BaggingClassifier()
    clf.fit(in1[['色泽','根蒂','敲声','纹理','脐部','触感','密度','含糖率']],in1['好瓜'])
    res1=clf.predict(in1[['色泽','根蒂','敲声','纹理','脐部','触感','密度','含糖率']])
    in1['prediction']=res1
    return in1

  1. 各组件接线如下图所示

image.png

  1. 点击部署。右键点击两个Python脚本编辑器，单击结果数据1即可查看数据输出结果。image.pngimage.png