# 机器学习算法总结-第六天(Adaboost算法)

SKlearn中的Adaboost使用

主要调的参数：第一部分是对我们的Adaboost的框架进行调参， 第二部分是对我们选择的弱分类器进行调参。
使用 Adaboost 进行手写数字识别
导入库，载入数据

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

from sklearn.ensemble import AdaBoostClassifier
from sklearn.tree import DecisionTreeClassifier

from sklearn.metrics import accuracy_score
from sklearn.model_selection import cross_val_score
from sklearn.model_selection import cross_val_predict
from sklearn.model_selection import train_test_split
from sklearn.model_selection import learning_curve

from sklearn.datasets import load_digits
dataset = load_digits()
X = dataset['data']
y = dataset['target']

看下图像：

使用深度为 1 的决策树分类器,准确率是0.2641850696745583

reg_ada = AdaBoostClassifier(DecisionTreeClassifier(max_depth=1))
scores_ada = cross_val_score(reg_ada, X, y, cv=6)
scores_ada.mean()

通过调节决策树的深度，提高识别准确率

score = []
for depth in [1,2,10] : 
    reg_ada = AdaBoostClassifier(DecisionTreeClassifier(max_depth=depth))
    scores_ada = cross_val_score(reg_ada, X, y, cv=6)
    score.append(scores_ada.mean())

当决策树的深度为 10 时，分类器得到了最高的分类准确率 95%
详细参数参考下面这篇链接：
https://www.cnblogs.com/pinard/p/6136914.html