使用SGDClassifier()进行二元分类的Python代码示例

SGDClassifier()是一种基于随机梯度下降法的分类器，可用于二元分类问题。下面是一个使用SGDClassifier()进行二元分类的Python代码示例：

from sklearn.linear_model import SGDClassifier
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 生成一个二元分类数据集
X, y = make_classification(n_samples=1000, n_features=20, n_informative=10, n_classes=2, random_state=42)

# 将数据集划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建SGDClassifier对象，设置参数
clf = SGDClassifier(loss='log', random_state=42)

# 使用训练集拟合分类器模型
clf.fit(X_train, y_train)

# 使用测试集进行预测
y_pred = clf.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f"准确率: {accuracy}")

在上面的代码中，首先使用make_classification()生成一个二元分类数据集，其中n_samples表示样本数，n_features表示特征数，n_informative表示有信息价值的特征数，n_classes表示类别数。然后，将数据集划分为训练集和测试集，其中test_size表示测试集占总数据集的比例。接下来，创建SGDClassifier对象，通过设置loss参数为'log'来表示使用逻辑回归作为分类器模型。然后使用训练集拟合分类器模型。最后，使用测试集进行预测，并计算准确率。

这是一个简单的SGDClassifier二元分类的例子，你可以根据自己的数据集和需求，调整代码中的参数以获得更好的分类效果。