随机森林与GBDT代码

由于随机森林和GBDT都是机器学习中的常见算法，其代码实现比较复杂，需要用到许多数学知识和算法原理。以下是一个简单的例子，展示了如何使用Python中的scikit-learn库来实现随机森林和GBDT算法。

随机森林代码实现：

from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import make_classification

# 生成一个随机的分类数据集
X, y = make_classification(n_samples=1000, n_features=4, n_informative=2, n_redundant=0, random_state=0, shuffle=False)

# 定义一个随机森林分类器
clf = RandomForestClassifier(n_estimators=100, max_depth=2, random_state=0)

# 训练模型
clf.fit(X, y)

# 预测新数据
print(clf.predict([[0, 0, 0, 0]]))

GBDT代码实现：

from sklearn.ensemble import GradientBoostingClassifier
from sklearn.datasets import make_classification

# 生成一个随机的分类数据集
X, y = make_classification(n_samples=1000, n_features=4, n_informative=2, n_redundant=0, random_state=0, shuffle=False)

# 定义一个GBDT分类器
clf = GradientBoostingClassifier(n_estimators=100, learning_rate=1.0, max_depth=1, random_state=0)

# 训练模型
clf.fit(X, y)

# 预测新数据
print(clf.predict([[0, 0, 0, 0]]))

需要注意的是，上述代码只是用于演示随机森林和GBDT的基本实现方法，实际使用中需要根据具体情况进行调整和优化