XGBoost是一种流行的技术，是传统回归/神经网络的完美替代方案。它代表E X treme G radient Boost ing，基本上构建了一些决策树来计算梯度

这听起来很简单，但可以非常强大。以帕金森检测为例：我们有几个指标可以分析，最终我们需要诊断帕金森病（分类！）。

10行代码

让我们开始收集一些数据：跳到UCI的ML数据库并下载帕金森氏调用的数据集parkinsons.data。他们是CSV，所以我们可以用Pandas快速解析它们：

df = pd.read_csv('parkinsons.data')

接下来，我们需要获取功能和标签。除了第一列（名称）外，这些列方便地是所有数字，并且具有标签的列是“状态”（已经是0或1）。让我们忽略他们现在的含义，并盲目分析它们（不要在实践中这样做）。这使我们能够很快地获得培训数据：

features = df.loc [:, df.columns！='status']。values [:, 1：]

labels = df.loc [:,'status']。values

接下来，我们需要调整我们的功能，以便它们在-1和1之间，以便它们被标准化。我们可以用这样sklearn的辉煌来做到这一点MinMaxScaler：

Scaler = MinMaxScaler（（ - 1，1））

X = scaler.fit_transform（features）

到目前为止我们已经有5条线了。接下来，让我们将其分解为训练和测试数据，以便防止过度拟合。没有太多的数据点，所以让我们分成14％的测试数据，这次使用sklearn的train_test_split便利功能：

X_r, X_s, Y_r, Y_s = train_test_split(X, labels, test_size=0.14)

然后我们使用xgboost已经构建好的用于分类并通过xgboost模块（pip install xgboost）提供的XGBClassifier ：

model = XGBClassifier（）

model.fit（X_r，Y_r）

让我们通过评估我们的模型与之前的测试集来评估我们的模型，其accuracy_score功能来自sklearn：

Y_hat = [round(yhat) for yhat in model.predict(X_test)]

print(accuracy_score(Y_test, Y_hat))

你应该看到在90年代的高准确度（在测试集~96.42％）！

就是这样！10行代码，你已经为帕金森氏训练了一个完整的XGBoosting分类器。

后记

XGBoosting功能非常强大，绝对可以成为您下一个项目的有用工具！这更深入 - 对于多输出，你需要一个MultiOutput模型（SciKit Learn有很好的包装），为了获得更准确的信息，你需要微调你的XGBoost模型。