机器学习之模型评估

整体思路:先获取数据,把数据分为训练数据和测试数据,然后在不同k值的模型下分别训练和测试,得出不同k值情况下的模型预测准确性,最后把准确性可视化输出进行整体评估。

1.获取数据

from sklearn import datasets
iris=datasets.load_iris()
x=iris.data
y=iris.target

2.分离数据

from sklearn.model_selection import train_test_split
x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.3)

test_size=0.3相当于测试数据的占比是0.3,而训练数据的占比是0.7,也可以通过下面代码验证

print(x_train.shape,x_test.shape,y_train.shape,y_test.shape)
(105, 4) (45, 4) (105,) (45,)

3.不同k值的模型下分别训练和测试,得出不同k值情况下的模型预测准确性

3.1创建一个1-25的列表

k_range=list(range(1,26))
print(k_range)
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25]

3.2 分别创建训练数据得分准确率空列表和测试数据得分准确率

  • 1
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值