- nmap的各种扫描
- 使用Metasploit通过木马攻击Android
- 使用Metasploit通过木马攻击Windows 2000
- 使用Metasploit通过操作系统漏洞攻击Windows 7
- 提权
- 渗透后的操作
- 直接加xianggu0625报名，上课在腾讯会议上进行
AdaBoost Regressor
类参数、属性和方法
类
class sklearn.ensemble.AdaBoostRegressor(base_estimator=None, *, n_estimators=50, learning_rate=1.0, loss='linear', random_state=None
属性
属性 |
类型 |
解释 |
base_estimator_ |
estimator |
从中生成集合的基估计量。 |
estimators_ |
list of classifiers |
拟合子估计量的集合。 |
estimator_weights_ |
ndarray of floats |
增强集合中每个估计器的权重。 |
estimator_errors_ |
ndarray of floats |
增强集合中每个估计器的分类误差。 |
feature_importances_ |
ndarray of shape (n_features,) |
基于杂质的特征非常重要。 |
方法
fit(X, y[, sample_weight]) |
从训练集（X，y）构建一个增强的分类器。 |
get_params([deep]) |
获取此估计器的参数。 |
predict(X) |
预测X的类。 |
score(X, y[, sample_weight]) |
返回给定测试数据和标签的平均精度。 |
staged_predict(X) |
返回X的阶段性预测。 |
staged_score(X, y[, sample_weight]) |
返回X，y的阶段分数。 |
有噪音make_regression AdaBoostRegressor算法分析
def AdaBoostRegressor_of_make_regression(): myutil = util() X,y = make_regression(n_samples=100,n_features=1,n_informative=2,noise=50,random_state=8) X_train,X_test,y_train,y_test = train_test_split(X, y, random_state=8,test_size=0.3) clf = AdaBoostRegressor(n_estimators=50,random_state=11).fit(X,y) title = "make_regression AdaBoostRegressor()回归线（有噪音）" myutil.print_scores(clf,X_train,y_train,X_test,y_test,title) myutil.draw_line(X[:,0],y,clf,title)
输出
make_regression AdaBoostRegressor()回归线（有噪音）: 82.73% make_regression AdaBoostRegressor()回归线（有噪音）: 72.83%
糖尿病AdaBoostRegressor算法
def diabetes_of_AdaBoostRegressor(): myutil = util() X,y = datasets.load_diabetes().data,datasets.load_diabetes().target X_train,X_test,y_train,y_test = train_test_split(X, y, random_state=0) clf = AdaBoostRegressor(n_estimators=50,random_state=11) clf.fit(X_train,y_train) title = "AdaBoostRegressor算法分析糖尿病数据" myutil.print_scores(clf,X_train,y_train,X_test,y_test,title) myutil.plot_learning_curve(AdaBoostRegressor(n_estimators=50,random_state=11),X,y,title) myutil.show_pic(title)
输出
AdaBoostRegressor算法分析糖尿病数据: 66.67% AdaBoostRegressor算法分析糖尿病数据: 31.11%
效果不好，存在过拟合现象
波士顿房价AdaBoostRegressor算法
def boston_of_AdaBoostRegressor(): myutil = util() X,y = datasets.load_boston().data,datasets.load_boston().target X_train,X_test,y_train,y_test = train_test_split(X, y, random_state=0) clf = AdaBoostRegressor(n_estimators=50,random_state=11) clf.fit(X_train,y_train) title = "AdaBoostRegressor算法分析波士顿房价数据" myutil.print_scores(clf,X_train,y_train,X_test,y_test,title) myutil.plot_learning_curve(AdaBoostRegressor(n_estimators=50,random_state=11),X,y,title) myutil.show_pic(title)
输出
AdaBoostRegressor算法分析波士顿房价数据: 92.75% AdaBoostRegressor算法分析波士顿房价数据: 70.75%
