資訊專欄INFORMATION COLUMN
摘要：交叉驗(yàn)證是經(jīng)常用到的驗(yàn)證方法使用可以很大程度上簡化交叉驗(yàn)證的過程使用過程見下方這里以模型為例訓(xùn)練集標(biāo)簽交叉驗(yàn)證的倍數(shù)返回結(jié)果的類型，可以自定義，也有很多默認(rèn)選項(xiàng)例如就是返回準(zhǔn)確率都是可以的這就是簡單的用法，只有比較復(fù)雜，其他都比較簡單
交叉驗(yàn)證是經(jīng)常用到的驗(yàn)證方法
使用sklearn可以很大程度上簡化交叉驗(yàn)證的過程
使用過程見下方：
from sklearn import cross_validation
gbdt=GradientBoostingRegressor()
score = cross_validation.cross_val_score(gbdt, train_set,
label_set, cv=10, scoring="accuracy")
這里以gbdt模型為例
train_set：訓(xùn)練集
label_set：標(biāo)簽
cv: 交叉驗(yàn)證的倍數(shù)
scoring: 返回結(jié)果的類型，可以自定義，也有很多默認(rèn)選項(xiàng)
例如‘a(chǎn)ccuracy’, 就是返回準(zhǔn)確率
[‘a(chǎn)ccuracy‘, ‘a(chǎn)djusted_rand_score‘,
‘a(chǎn)verage_precision‘, ‘f1‘, ‘f1_macro‘,
‘f1_micro‘, ‘f1_samples‘, ‘f1_weighted‘,
‘log_loss‘, ‘mean_absolute_error‘,
‘mean_squared_error‘, ‘median_absolute_error‘,
‘precision‘, ‘precision_macro‘,
‘precision_micro‘, ‘precision_samples‘,
‘precision_weighted‘, ‘r2‘, ‘recall‘,
‘recall_macro‘, ‘recall_micro‘,
‘recall_samples‘, ‘recall_weighted‘,
‘roc_auc‘] 都是可以的
這就是簡單的用法，只有scoring比較復(fù)雜，其他都比較簡單
文章版權(quán)歸作者所有，未經(jīng)允許請勿轉(zhuǎn)載,若此文章存在違規(guī)行為，您可以聯(lián)系管理員刪除。
轉(zhuǎn)載請注明本文地址：http://m.hztianpu.com/yun/37922.html
摘要：還提供了，將多項(xiàng)式特征數(shù)據(jù)歸一化和線性回歸組合在了一起，大大方便的編程的過程。在機(jī)器學(xué)習(xí)算法中，主要的挑戰(zhàn)來自方差，解決的方法主要有降低模型復(fù)雜度降維增加樣本數(shù)使用驗(yàn)證集模型正則化。 多項(xiàng)式回歸 多項(xiàng)式回歸使用線性回歸的基本思路 非線性曲線如圖： showImg(https://segmentfault.com/img/bVbkn4q?w=372&h=252); 假設(shè)曲線表達(dá)式為：$y...
摘要：機(jī)器學(xué)習(xí)工程師納米學(xué)位模型評價(jià)與驗(yàn)證項(xiàng)目預(yù)測波士頓房價(jià)歡迎來到預(yù)測波士頓房價(jià)項(xiàng)目在此文件中，我們已經(jīng)提供了一些示例代碼，但你還需要完善更多功能才能讓項(xiàng)目成功運(yùn)行。 機(jī)器學(xué)習(xí)工程師納米學(xué)位 模型評價(jià)與驗(yàn)證 項(xiàng)目 1: 預(yù)測波士頓房價(jià) 歡迎來到預(yù)測波士頓房價(jià)項(xiàng)目！在此文件中，我們已經(jīng)提供了一些示例代碼，但你還需要完善更多功能才能讓項(xiàng)目成功運(yùn)行。除非有明確要求，你無需修改任何已給出的代碼。習(xí)...
閱讀 627·2021-08-31 09:45
閱讀 1725·2021-08-11 11:19
閱讀 953·2019-08-30 15:55
閱讀 904·2019-08-30 10:52
閱讀 2930·2019-08-29 13:11
閱讀 2997·2019-08-23 17:08
閱讀 2901·2019-08-23 15:11
閱讀 3142·2019-08-23 14:33
