本文档详细介绍了sk-learn库中的模型选择和评估方法，包括交叉验证、模型评估、验证曲线和参数调节。重点讨论了交叉验证的实现，如train_test_split和各种评估指标；模型评估中提到Estimator的score方法和自定义评分函数；验证曲线用于分析模型的偏差和方差，以及学习曲线在调整模型复杂度和数据量中的应用；最后探讨了如何自动调节参数以优化模型性能。
文档思维导图：
交叉验证
train_test_split： 分裂训练数据。
X_train, X_test, y_train, y_test = train_test_split( iris.data, iris.target, test_size=0.4, random_state=0)
Computing cross-validated metrics： 交叉验证评估。主要方法有cross_val_score ，cross_validate ，cross_val_predict 。使用范例如下：
scores = cross_val_score(clf, iris.data, iris.target, cv=5) # scores = cross_validate(clf, iris.data, iris.target, scoring=scoring, cv=5, return_train_score=False) # 与cross_val_score有区别，scoring可以为多个评估标准... # cross_val_predict returns an array of the same size as `y` where each entry # is a prediction obtained by cross validation # 不是一个scores predicted =
最低0.47元/天 解锁文章
17万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
