Python机器学习算法基础第五天

数据的划分和介绍：

• 数据：
  • 训练集（占大多数，常用75%）：用来建立模型
  • 测试集（占小部分，常用25%）：用来评估模型

用来划分数据集的API：
sklearn.model_selection.train_test_split

sklearn.database

• 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/

数据集分割：

• sklearn.model_selection.train_test_split(*arrays,**options)
  • x，数据集的特征值
  • y，数据集的标签值
  • test_size，测试集的大小，一般为float
  • random_state，随机数种子，不同的种子会造成不同的随机采样结果。相同的种子采样结果相同
  • return，训练集特征值，测试集特征值，训练标签，测试标签（默认随机取）。返回顺序固定不变

转换器和估计器：
数据集 --> fit_transform(X) --> 转换后的数据集
fit_transform(X) = fit() + transform()
fit()求平均值标准差
transform()求值

估计器（estimator），是一类实现了算法的API：
第一步：调用fit，fit(x_train, y_train)，建立模型
第二步：输入测试集数据，评估模型，y_predict = predict(x_test)或者score(x_test, y_test)
socre()为预测的准确率