机器学习入门之分类、决策树、随机森林、KNN、SVM、分类、AUC、准确率、平均准确率、召回率、F1.


前言

前言:这篇文章是于大学入学时所写,部分方法存在过拟合现象(数据量太少)。仅供学习使用

提示:以下是本篇文章正文内容,下面案例可供参考

机器学习入门之分类

"""
全局数据集
"""
from sklearn.datasets import make_blobs,make_moons
import matplotlib.pyplot as plt
import numpy as np
%matplotlib inline

X,Y = make_moons(n_samples=100,noise = 0.1,random_state=0)
plt.scatter(X[:,0],X[:,1],c=Y)
plt.show()

在这里插入图片描述

一、决策树(DecisionTree)

1、决策树拟合
#Decisiontree
#决策树
from sklearn import tree

model = tree.DecisionTreeClassifier()
model.fit(x_train,y_train)
print('test score',model.score(x_test,y_test))

x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1

#生成矩阵坐标x,y  返回np.arange类型的列表
xx, yy = np.meshgrid(np.arange(x_min, x_max, .02),np.arange(y_min, y_max, .02))                    
'''
np.c_:是按行连接两个矩阵,就是把两矩阵左右相加,要求行数相等
shape是查看数据有多少行多少列
reshape更改数组维数
'''
z = model.predict(np.c_[xx.ravel(), yy.ravel()])                       
z = z.reshape(xx.shape)  

plt.pcolormesh(xx, yy, z.reshape(xx.shape), shading='auto', cmap= 'Paired')
plt.scatter(X[:, 0], X[:, 1], c=Y, cmap=plt.cm.spring, edgecolors='k')
plt.show()

在这里插入图片描述在这里插入图片描述

2、决策树 准确率 平均准确率 召回率 F1 AUC
from sklearn import tree
from sklearn.metrics import accuracy_score  #准确率
from sklearn.metrics import precision_score  #精确率
from sklearn.metrics import recall_score #召回率
from sklearn.metrics import f1_score  #f1_score
from sklearn.metrics import roc_auc_score    #AUC    

model=tree.DecisionTreeClassifier(random_state=0)
model.fit(x_train,y_train)
y_true 
  • 8
    点赞
  • 71
    收藏
    觉得还不错? 一键收藏
  • 9
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 9
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