本文介绍了机器学习中的数据集划分方法，如70/30、80/20等比例，以及sklearn库中的train_test_split和fetch_20newsgroups函数。还讲解了k近邻算法的原理、优缺点和适用场景，以及朴素贝叶斯算法的基础知识。此外，讨论了分类模型的评估指标，如精确率和召回率，并提到了交叉验证和网格搜索在超参数调优中的应用。
1、训练集：建立模型
测试集：评估模型
训练集和测试机的划分比例：70%和30%，80%和20%，75%和25%（常用）。
数据集划分API：sklearn.model_selection.train_test_split(特征值, 目标值，测试值=0.25)
sklearn.datasets 加载获取流行数据集
datasets.load_*()
获取小规模数据集，数据包含在datasets里
datasets.fetch_*(data_home=None)
获取大规模数据集，需要从网络上下载，函数的第一个参数是data_home，表示数据集下载的目录,默认是 ~/scikit_learn_data/
load*和fetch*返回的数据类型datasets.base.Bunch(字典格式)
data：特征数据数组，是 [n_samples * n_features] 的二维 numpy.ndarray 数组
target：标签数组，是 n_samples 的一维 numpy.ndarray 数组
DESCR：数据描述
feature_names：特征名,新闻数据，手写数字、回归数据集没有
target_names：标签名,回归数据集没有
2、sklearn.datasets.fetch_20newsgroups(data_home=None,subset=‘train’) subset: 'train'或者'test','all'
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
