GBDT+LR

# 弱分类器的数目n_estimator = 10# 随机生成分类数据。X, y = make_classification(n_samples=80000)  # 切分为测试集和训练集，比例0.5X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.5)# 将训练集切分为两部分，一部分用于训练GBDT模型，另一部分输入到训练好的GBDT模型生成GBDT特征，然后作为LR的特征。这样分成两部分是为了防止过拟合。X_train, X_train_lr, y_train, y_train_lr = train_test_split(X_train, y_train, test_size=0.5)# 调用GBDT分类模型。grd = GradientBoostingClassifier(n_estimators=n_estimator)# 调用one-hot编码。grd_enc = OneHotEncoder()# 调用LR分类模型。grd_lm = LogisticRegression()'''使用X_train训练GBDT模型，后面用此模型构造特征'''grd.fit(X_train, y_train)# fit one-hot编码器grd_enc.fit(grd.apply(X_train)[:, :, 0])''' 使用训练好的GBDT模型构建特征，然后将特征经过one-hot编码作为新的特征输入到LR模型训练。'''grd_lm.fit(grd_enc.transform(grd.apply(X_train_lr)[:, :, 0]), y_train_lr)# 用训练好的LR模型多X_test做预测y_pred_grd_lm = grd_lm.predict_proba(grd_enc.transform(grd.apply(X_test)[:, :, 0]))[:, 1]# 根据预测结果输出fpr_grd_lm, tpr_grd_lm, _ = roc_curve(y_test, y_pred_grd_lm)