qq_37080133的博客

from sklearn.metrics import accuracy_score from sklearn.metrics import precision_score from sklearn.metrics import recall_score from sklearn.metrics import f1_score #对15个测试数据进行预测的结果 predict=[0,2,1,0,1,2,1,1,2,1,2,2,0,0,1] #测试数据正确的标签 realLabel=[0,2,1,0,.

1.主要使用sklearn的KFolder工具 from sklearn.model_selection import KFold import numpy as np data = np.array([['王大'], ['王二'], ['王三'], ['王四'],['王五'],['王六'],['王七'],['王八'],['王九'],['王十']]) label = np.array([1, 2, 3, 4,5,6,7,8,9,10]) kf = KFold(n_splits=10) num = kf

1.对数据集打乱是个很重要的课题，在sklearn里面提供了置乱的函数，我这里提供一个简单的例子： import numpy as np from sklearn.utils import shuffle data = np.array([['王大'], ['王二'], ['王三'], ['王四'],['王五'],['王六'],['王七'],['王八'],['王九'],['王十']]) label = np.array([1, 2, 3, 4,5,6,7,8,9,10]) data,label =.

1.官方文档，如果你英语不错，可以直接啃API，如果英语一般就跟我走吧 sklearn文档 2.第一个sklearn的demo：knn 在knn的学习中，我们学会了knn算法的思想，在这一部分里面，我们将学会怎么去调用sklearn提供的工具去实现它 from sklearn.neighbors import KNeighborsClassifier as knnModel import numpy as np #训练数据 x = [[0], [1], [2], [3]] #训练数据的标.