一:交叉验证
目的:为了让被评估的模型更加准确可信,是一种验证方法
步骤:
所有数据分成n等分,第一份作为测试集,其他作为验证集
。。。。。。。。。。。二。。。。。。。。。。。。。。
。。。。。。。。。。。。。。。。。。。。。。。。。
所有模型的准确率求平均值
二:网格搜索
目的:选择参数
通常很多需要手动指定的参数都是超参数,所谓超参数就是能对算法效果产生很大影响的参数。但是手动选择参数过程很复杂,我们交给计算机来做。设定几种超参数组合,每种组合都要用交叉验证来评估,最后选出最优参数组合来建立模型,一般选择10折交叉验证
网格搜索API:model_selection.GridSearchCV
*参数(estimator,paeam_grid,cv=None)*分别时估计器,超参组合,几折交叉搜索
她返回的对象可以用fit和score,best_estimator
# 网格搜索
from sklearn.datasets import load_iris, fetch_20newsgroups, load_boston
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
import pandas as pd
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import GridSearchCV
def knncls():
"""
k近邻预测用户签到位置
:return: None
"""
# 读取数据
data = pd.read_csv('./train.csv')
print(data.head(10))
# 处理数据
# 1.缩小数据的范围,查询数据筛选
data = data.query("x > 1.0 & x < 1.25 & y > 2.5 & y < 2.75 ") # query里面字符串填写缩小条件
# 2.处理时间的数据,时间戳转换成年月日时分秒当作新特征
time_value = pd.to_datetime(data["time"], unit="s")
# print(time_value)
# 3.把日期格式转化成字典格式
time_value = pd.DatetimeIndex(time_value)
# 4.构造一些特征,因为年和月是一样的所以不做为特征了
data["day"] = time_value.day # 直接增加一个特征
data["hour"] = time_value.hour
data["weekday"] = time_value.weekday
# 5.把原来的时间戳特征删除
data.drop(["time"], axis=1)
print(data)
# 把签到数量少于n的目标位置删除
place_count = data.groupby("place_id").count() # data以place_id来分组
tf = place_count[place_count.row_id > 3].reset_index() # 分完组后row_id已经变成了place_id的统计和
# print(tf)
data = data[data["place_id"].isin(tf.place_id)] # isin和布尔逻辑结合来清洗数据
# print(data.head(10))
# 取出数据中的特征值和目标值
y = data["place_id"] # 目标值
x = data.drop("place_id", axis=1) # 特征值
x = x.drop("row_id", axis=1)
# 分割训练集和测试集
x_trian, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25)
# 特征工程(标准化)
std = StandardScaler()
# 对训练集和测试集的特征值标准化
x_trian = std.fit_transform(x_trian)
x_test = std.transform(x_test)
# 进行算法流程
knn = KNeighborsClassifier()
# knn.fit(x_trian, y_train)
#
# # 得出预测结果
# y_predict = knn.predict(x_test)
# print("预测的目标签到位置为:", y_predict)
#
# # 得出准确率
# print("预测的准确率是", knn.score(x_test, y_test))
# 进行网格搜索
# 构造一些参数的值用于搜索
param = {"n_neighbors": [3, 5, 10]}
gc = GridSearchCV(knn, param_grid =param, cv=10)
gc.fit(x_trian, y_train)
# 预测准确率
print("在测试集上的准确率", gc.score(x_test, y_test))
print("在交叉验证中最好的结果",gc.best_score_)
print("选择了最好的模型是",gc.best_estimator_)
print("每个超参数每个交叉验证的结果",gc.cv_results_)
if __name__ == '__main__':
knncls()
代码贴出
@author:specyue@mail.ustc.edu.cn欢迎交流