模型验证与参数调整

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

以下内容转自 数析学院，只节选了部分，有需要的同学可以直接查看原文

继续基于 Scikit-Learn 库的相关模块，向大家介绍 Python 中一些模型验证及调优的工具。
为了方便后续的演示，首先导入示例数据集 iris，并对数据特征与标记（即模型的自变量与因变量）进行提取划分：

1. from sklearn.datasets import load_iris
   
2. iris = load_iris()
   
3. X = iris.data
   
4. y = iris.target

复制代码

构建一个 KNN 分类模型 model，用于验证准备：

1. from sklearn.neighbors import KNeighborsClassifier
   
2. model = KNeighborsClassifier(n_neighbors=1)

复制代码

模型拟合与预测：

1. model.fit(X, y)
   
2. y_model = model.predict(X)

复制代码

导入 metrics 模块的 accuracy_score 函数，该函数能够帮助我们计算模型的准确率：

1. from sklearn.metrics import accuracy_score
   
2. accuracy_score(y, y_model)

复制代码

1.0
交叉验证是机器学习中常用的模型验证方法，这需要我们将数据集划分为训练集与验证集，cross_validation 模块中的 train_test_split 函数能够帮助我们实现较轻松的划分：

1. from sklearn.cross_validation import train_test_split
   
2. # 对数据集进行划分，一半作为训练集，另一半作为验证集
   
3. X1, X2, y1, y2 = train_test_split(X, y, random_state=0,
   
4.                                   train_size=0.5)
   
5. 
   
6. # 运用训练集拟合模型
   
7. model.fit(X1, y1)
   
8. 
   
9. # 运用验证集评价模型准确度
   
10. y2_model = model.predict(X2)
    
11. accuracy_score(y2, y2_model)

复制代码

0.90666666666666662
后文还有介绍 k-fold 交叉验证的工具 cross_val_score 、模型参数调优、绘制模型拟合的曲线等，内容较多，先搬运到这，有需要的同学可以先直接到 数析学院 查看原文

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：模型验证 scikit-learn classifier Validation accuracy 模型