交叉验证
目的:为了让被评估的模型更加准确可信
数据分类训练集和测试集,再将训练集分为训练和验证集。
- eg:将数据分成5份,其中一份作为验证集。然后经过5次(组)的测试(每次换一组作为验证集,将之前的验证当作之后的一个训练集),每次都更换不同的验证集。即得到5组模型的结果,取平均值作为最终结果。又称5折交叉验证。从而,所有数据都即作为过训练集,也作为过验证集。
交叉验证一般是和网格搜索一起使用的
网格搜索
也称为超参数搜索
作用:调参(eg:k-近邻算法中的超参数)
通常情况下,有很多参数是需要手动指定的(如k-近邻算法中的K值),这种叫超参数。但是手动过程繁杂,所以需要对模型预设几种超参数组合。每组超参数都采用交叉验证来进行评估。最后选出最优参数组合建立模型。
如果一个算法中有两个超参数(eg:a、b),如何进行网格搜索?
eg:a[2,3,5,8,10]、b[20,70,80] 则两两组合(15组),进行交叉验证
api:from sklearn.model_selection import GridSearchCV
案例一:
from sklearn.model_selection import GridSearchCV
import pandas as pd
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.datasets import load_iris
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")
#处理数据
#缩小数据范围
data = data.query("x > 1.0 & x < 1.25 & y > 2.5 & 7 < 2.75")
#处理时间的数据pd.to_datatime:把时间戳转换成日期格式
time_value = pd.to_datetime(data["time"], unit="s")
#把日期格式转换成字典格式,以可以获得时、分、秒等数据
time_value = pd.DatetimeIndex(time_value)
#构造一些特征
data["day"] = time_value.day #增加列:注意,数据的量应当一样
data["hour"] = time_value.hour
data["weekday"] = time_value.weekday
#把时间戳删除
data.drop(['time'], axis=1) #注意:pandas和sklearn中的列不一样,sklearn中是1表时列
"""注意:在pd中每一步操作都有返回值"""
#把签到数量少于n个目标位置删除
place_count = data.groupby("place_id").count() #此时,place_id就变成了索引
tf = place_count[place_count.row_id > 3].reset_index() #reset_index将索引变成一列数据。索引就变成了0、1、2...
data = data[data['place_id'