Sklearn工具（第三天）

Sklearn工具（第三天）

一、计算机生成的数据集 sklearn.datasets.make_

二、SKLearn中的模型选择体系

（一）数据集划分方法

（1）K折交叉验证

（2）留一法

（3） 随机划分法

（二）超参数优化方法

（1）什么是超参数（hyper-parameters）

（2）网格搜索穷举式超参数优化方法

（3）随机采样式超参数优化方法

RandomizedSearchCV实现了一个在参数空间上进行随机搜索的机制，其中参数的取值是从某              
种概率分布中抽取的。这个概率分布描述了对应的参数的所有取值情况的可能性。这种随机采      
样机制与网络穷举搜索相比，有两大优点：

1、相比于整体参数空间，可以选择相对较少的参数组合数量。
2、添加参数节点不影响性能，不会降低效率。

（4）超参数空间的搜索技巧

（三）模型验证方法

（1）通过交叉验证计算得分

（2）对每个输入数据点产生交叉验证估计

（3）计算并绘制模型的学习率曲线

（4）计算并绘制模型的验证曲线

（5）通过排序评估交叉验证的分的重要性

（四）SKLearn模型预测性能的评估方法

（1）Estimator对象的score方法

（2）在交叉验证中使用scoring参数