模型评估与优化方法

最新推荐文章于 2024-08-03 16:10:38 发布

一个两个n多个

最新推荐文章于 2024-08-03 16:10:38 发布

阅读量1.4k

点赞数

分类专栏：学习文章标签：模型评估

本文链接：https://blog.csdn.net/bug_12/article/details/95905340

版权

本文介绍了模型评估的重要方法，如交叉验证，包括K折交叉验证的原理和参数设置。接着讲解了网格搜索如何简化参数调整的过程，通过GridSearchCV类的应用实例展示其优势。此外，还讨论了分类可信度评估，包括predict_proba和decision_function两种方法在不同分类模型中的应用。

摘要由CSDN通过智能技术生成

cross-validation

交叉验证法是一种非常常用的对于模型泛化性能进行评估的方法。在sklearn中默认的使用的是K折交叉验证法，即是将数据集拆分为k个部分，然后1个作为testing set，剩下的k-1个作为training set。然后进行k次的模型训练，最后得到k个模型的评分。
下面介绍一下这个函数的一些常用的参数：
cross_val_score(estimator, X, y=None, groups=None, scoring=None, cv=‘warn’, n_jobs=None, verbose=0, fit_params=None, pre_dispatch=‘2*n_jobs’, error_score=‘raise-deprecating’)
estimator:这个参数主要是用来确定使用哪一个模型进行训练。
X,y:这两个参数就不用说了，就相当于输入和输出。
cv:它可以是一个整数，来指定k值，也可以是一个分割了训练集、数据集的迭代生成器。
n_jobs:使用的cpu核数，建议和自己机器的一致。
下面就介绍一下cv另一种赋值方法：

from sklearn.model_selection import ShuffleSplit
shuffle_split = ShuffleSplit(test_size=.2,train_size=.7,n_splits=10)
scores = cross_val_score(svc,X,y,cv=shuffle_split)
# for i,j in shuffle_sp