利用sklearn中的BaggingClassifier()、AdaBoostClassifier()、GradientBoostingClassifier()函数来构建Bagging、AdaBoost、GBDT集成分类器。base_estimator：object, default=None,适合于数据集的随机子集的基估计量,如果 None，则基估计量是决策树。n_estimators：int,

利用sklearn中的LogisticRegression()、RandomForestClassifier()来构建逻辑回归以及随机森林分类器。导入模型。调用逻辑回归LogisticRegression()函数。fit()训练。调用fit(x,y)的方法来训练模型，其中x为数据的属性，y为所属类型。predict()预测。利用训练得到的模型对数据集进行预测，返回预测结果。RandomForest

利用sklearn中的LogisticRegression()、RandomForestClassifier()来构建逻辑回归以及随机森林分类器。导入模型。调用逻辑回归LogisticRegression()函数。fit()训练。调用fit(x,y)的方法来训练模型，其中x为数据的属性，y为所属类型。predict()预测。利用训练得到的模型对数据集进行预测，返回预测结果。RandomForest

利用sklearn中的LogisticRegression()、RandomForestClassifier()来构建逻辑回归以及随机森林分类器。导入模型。调用逻辑回归LogisticRegression()函数。fit()训练。调用fit(x,y)的方法来训练模型，其中x为数据的属性，y为所属类型。predict()预测。利用训练得到的模型对数据集进行预测，返回预测结果。RandomForest

想要对一个实际任务进行很好的建模，首先需要掌握数据集的处理。因此首先使用drop()函数去除'day','month','poutcome'等特征属性。该函数的第一个参数为这三个属性特征列表，第二个参数代表需要删除的维度，本次任务中需要对维度1进行操作即axis=1，并且需要将处理好的数据替代原先的数据，因此将第三个参数inplace设置为true。接着需要对特征进行one-hot编码，使用到函数

利用sklearn中的LogisticRegression()、RandomForestClassifier()来构建逻辑回归以及随机森林分类器。导入模型。调用逻辑回归LogisticRegression()函数。fit()训练。调用fit(x,y)的方法来训练模型，其中x为数据的属性，y为所属类型。predict()预测。利用训练得到的模型对数据集进行预测，返回预测结果。RandomForest