集成方法：装袋，RandomForest和AdaBoostClassifier-源码

在之前的实验中，我使用朴素贝叶斯（Naive Bayes）对此垃圾邮件进行分类。 在本笔记本中，我们将通过使用一些新技术（例如Bagging，RandomForest和AdaBoostClassifier）扩展先前的分析。 事实证明，我们的朴素贝叶斯模型实际上做得很好。 但是，让我们看一下其他一些模型，看看是否仍然无法改进。 特别是在本笔记本中，我们将研究以下技术： 可以找到有关合奏方法的另一个非常有用的指南。 这些合奏方法结合了多种技术： 引导通过学习者传递的数据（装袋）。 对用于学习者的功能进行子集化（与装袋组合表示随机森林的两个随机组成部分）。 将学习者聚集在一起，以使在某些方面表现最佳的学习者产生最大的影响（增强）。 通常，可以使用五步过程来使用监督学习方法（您在上面实际使用的方法）： 导入模型。 使用感兴趣的超参数实例化模型。 使模型适合训练数据。 预测测