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