python机器学习基础之绘制高斯朴素贝叶斯的学习曲线

最新推荐文章于 2023-01-24 15:54:09 发布

曾牛

最新推荐文章于 2023-01-24 15:54:09 发布

阅读量927

点赞数

分类专栏：深入浅出python机器学习

本文链接：https://blog.csdn.net/qq_28286027/article/details/93616464

版权

本文介绍了如何画出高斯朴素贝叶斯的学习曲线，通过威斯康星乳腺肿瘤数据集的示例，展示了学习曲线的变化。随着训练数据集的增加，模型的训练得分下降，但交叉验证得分相对稳定，表明朴素贝叶斯在小样本情况下表现良好，适合用于样本量有限的场景。

摘要由CSDN通过智能技术生成

画学习曲线的方法：
我们可以把{J}{train}(\theta)和{J}{cv}(\theta)作为纵坐标，画出与训练数据集m的大小关系，这就是学习曲线。通过学习曲线，可以直观地观察到模型的准确性与训练数据集大小的关系。
示例：绘制高斯朴素贝叶斯在威斯康星乳腺肿瘤数据集中的学习曲线

#导入学习曲线库
from sklearn.model_selection import learning_curve
#导入随机拆分工具
from sklearn.model_selection import ShuffleSplit
#定义一个函数绘制学习曲线
def plot_learning_curve(estimator, title, X, y, ylim=None, cv=None,
                        n_jobs=1, train_sizes=np.linspace(.1, 1.0, 5)):
    plt.figure()
    plt.title(title)
    if ylim is not None:
        plt.ylim(*ylim)
    #定义横轴标签
    plt.xlabel("Training examples")
    #定义纵轴标签
    plt.ylabel("Score")
    train_sizes, train_scores, test_scores = learning_curve(

了解本专栏