scikit-learn模型数据集加载函数解释
数据集的划分
k折交叉验证
划分训练集和测试集的函数
的
from sklearn.model_selection import train_test_split
train_data,teat_data,train_target,test_target=train_test _split(data['data'],data['target'],test_size=0.2)
sklearn转换器
的
from sklearn.preprocessing import minmaxscaler
model=minmaxscaler().fit(train_data)
train_data1=model.transform(train_data)
test_data1=model.transform(test_data)
PCA降维算法
的
from sklearn.decomposition import PCA
model=PCA(n_compositions=8).fit(train_data_mms)
train_data2=model.transform(train_data)
test_data2=model.transform(test_data)
使用sklearn构建聚类模型
聚类类型:
使用k-means聚类:
from sklearn.datasets import load_iris
from sklearn.cluster import KMeans
data=load_iris()
model=KMeans(n_cluster=3).fit(data['data'])
#查看聚类中心
model.cluster_centers_
#使用散点图查看
import maplotlib.pyplot as plt
for i in range(3):
plt.scatter(data['data'][model.labels_==i,0],data['data'][model.labels_==i,1])
plt.show()
聚类模型的评价指标
使用轮廓系数评价那种k的效果最好
from sklearn.datasets import load_iris
from sklearn.metrics import Silhouette_score
for k in range(2,9):
model=KMeans(n_clusters=k).fit(data['data'])
print(k,silhouette_score(data['data'],model.labels)
sklearn构建分类模型
使用支持向量机构建分类模型
#数据导入
#划分训练集、测试集
#模型预处理:查看模型的最大值最小值是否进行标准化、归一化
#分类模型的构建
from sklearn.svm import SVC
model=SVC().fit(x_train2,y_train)
model.predict(x_test2)
#判断模型的准确率
model.score(x_test2,y_test)
分类模型的评价指标
的
from sklearn.metrics import recall_score,precision_score,f1_score,roc_curve
print(recall_score(y_test,y_pre))
#roc_curve绘制
fqr,tqr,thresholds=roc_curve(y_test,y_pre)
import matplotlib.pyplot as plt
plt.plot(fpr,tqr)
plt.show()
构建回归模型
的
from sklearn.linear_model import linearRegression
model=linearregression().fit(x_train,y_train)
y_pre=model.predict(x_test)
评价指标
dd
from sklearn.metrics import mean_squared_error,r2_score
mean_squared_error(y_true=y_test,y_pred=y_pre)