一、实验介绍

1.1 简单介绍

AdaBoost 和 Random Forest 算法的原理

1.2 Breast Cancer 数据实验

1. 对 Breast Cancer 数据进行探索性数据分析；

2. 数据预处理

3. 分别以决策树、逻辑回归、SVM 为基函数，利用网格搜索等方法寻找不同基函数下 AdaBoost 算法的最优参数。利用 Precision、Recall、F1 和 Auc 等指标评价模型，探究和对比不同基函数下的
   AdaBoost 算法性能

4. 对比以决策树为基函数的 AdaBoost、Random Forest 以及 Lars算法在 Breast Cancer 分类数据上的重要特征，得出影响 Breast Cancer分类的关键因素。

1.3 Boston 数据实验

1. 对 Boston 房价数据进行探索性数据分析

2. 数据预处理

3. 以 $R^2$、MSE、MAE 等指标为评价标准，探究 Random Forest算法的参数对模型性能的影响

4. 对单棵决策树以及以决策树为基函数的集成算法(AdaBoost，Random Forest)进行性能对比，探索相较于单模型而言，集成学习的特点。

二、项目地址

这里只举例第一个数据集：

https://mbd.pub/o/bread/ZJWbkp9v

三、算法结果展示