sklearn 学习之 model_selection

最新推荐文章于 2024-01-09 23:23:11 发布
最新推荐文章于 2024-01-09 23:23:11 发布
阅读量4.3k 收藏 7
点赞数
分类专栏： sklearn学习 model_selection 文章标签： sklearn model selection KFold
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_38245062/article/details/80226458
版权
本文深入探讨了sklearn.model_selection.KFold，介绍了如何使用n_splits参数进行数据切分，以及shuffle和random_state选项在交叉验证过程中的作用。
摘要由CSDN通过智能技术生成

(1.1) sklearn.model_selection.KFold(n_splits=3, shuffle=False, random_state=None)

  这个数据分割器与之前学到的 GroupKFold()和GroupShuffleSplit() 有很大的不同，这个分割器既不要求我们对数据进行预先的分组（及运行split()函数是要求提供 groups 参数），也不让我们自行定义每次分割时test数据和train数据分别占总数据的比例（初始化GroupShuffleSplit()实例时传入的test_size和train_size参数）。只需我们简单的传入一个n_splits参数即可(如果要求分割时为随机采样数据进行分割，则需传入shuffle=true，默认为根据采样点出现的先后顺序连续的将数据分成 k 份，n_splits参数与 k-fold 中的 k 相对应）。调用KFold()实例的方法split()时，将数据平均分割为 k 份，每次取其中的一份作为 validation 数据，其余的 k-1 份作为训练数据，总共进行 k 次，每次都返回的为 train/validation 数据的下标。

example： 
 


  from sklearn.model_selection import KFold import numpy as np 

 

 

 


  x = np.aran


                

        

        

    

  


        

            

                    
                      最低0.47元/天 解锁文章
                        
                    
            

        

    

      

        

            

              
                
                  weixin_38245062
                
              
            

            

                关注
              
            

        

        

          
      

      

            

                专栏目录
          









                



	

		

			

				
					
sklearn:  model_selection

				
			

			

				

					qq_39037910的博客
				

				

					06-16
					
					2570
					
				

			

		

		

			
				
model_selection 主要提供 交叉验证 和 结果评估 的工具, cross_validation 模块作为老版模块, 也拥有同样的方法, 在0.20.0版本中将会本移除, 因此尽量不要使用cross_validation 模块.
sklearn.model_selection.train_test_split()
作用: 随机地将样本集合分为训练集和测试集.

			
		

	



                

              
                



	

		

			

				
					
【机器学习】sk-learn的模型选择 (sklearn.model_selection) 可以做什么？

					
最新发布

				
			

			

				

					weixin_41359455的博客
				

				

					08-29
					
					774
					
				

			

		

		

			
				
sklearn.model_selection 模块提供了丰富的工具来帮助开发者进行模型选择和评估。通过使用这些工具，可以有效地选择合适的模型和超参数，避免过拟合，并提高模型在新数据上的泛化能力。如果你有具体的模型选择或评估需求，可以根据上述功能选择合适的方法进行实施。

			
		

	



                


  
              

                


	

		

			

				
					
sklearn.model_selection模块介绍

				
			

			

				

					qq_29983883的博客
				

				

					07-01
					
					4040
					
				

			

		

		

			
				
外层交叉验证用于评估不同的模型或模型参数，内层交叉验证用于在每个外层验证折上进行模型训练和验证。与网格搜索不同，随机搜索不遍历所有参数组合，而是在指定的参数空间中进行随机抽样，并在交叉验证中评估每个参数组合的性能。K次训练和验证的结果会进行平均，得到最终的性能评估。留一交叉验证是一种特殊的K折交叉验证，其中K等于数据集的样本数量。分层K折交叉验证是K折交叉验证的一种变体，它在划分数据集时保持了每个类别的样本比例。随机重复K折交叉验证是K折交叉验证的扩展，通过多次重复执行K折交叉验证来更稳定地评估模型性能。

			
		

	





	

		

			

				
					
sklearn.model_selection

				
			

			

				

					gaotihong的博客
				

				

					09-13
					
					590
					
				

			

		

		

			
				
目录

一、进行归一化

二、交叉验证

实例一：花花类别判别

实例二：糖尿病的指数回归

三、机器学习中的各种得分指标

1.accuracy

2.confusion_matrix

3.classification_report

4.hamming_loss

5.jaccard_similarity

四、分离样本集

1.train_test_split

2.shufflespli...

			
		

	



		

			
		



	

		

			

				
					
sklearn中的model_selection

				
			

			

				

					奇葩
				

				

					03-17
					
					6359
					
				

			

		

		

			
				
import numpy as np
from sklearn import datasets
import matplotlib.pyplot as plt

X,y = datasets.make_moons(n_samples=100,noise = 0.3)
plt.scatter(X[y==0,0],X[y==0,1],color = 'r')
plt.scatter(X[y==1,0]...

			
		

	





	

		

			

				
					
sklearn中sklearn.model_selection的应用与实践

				
			

			

				

					qq_38888209的博客
				

				

					04-23
					
					4938
					
				

			

		

		

			
				
强大的sklearn库可以解决的问题：

train_test_split返回切分的数据集train/test：
train_test_split(*array,test_size=0.25,train_size=None,random_state=None,shuffle=True,stratify=None)


*array：切分数据源（list/np.array/pd.DataFrame/...

			
		

	





	

		

			

				
					
【机器学习】使用sklearn的model_selection模块的网格搜索(GridSearchCV)进行调参工作

				
			

			

				

					weixin_46249565的博客
				

				

					06-24
					
					937
					
				

			

		

		

			
				
使用sklearn的model_selection模块的网格搜索(GridSearchCV)进行调参工作

			
		

	





	

		

			

				
					
sklearn.model_selection.train_test_split用法解析

				
			

			

				

					liveshow021_jxb的博客
				

				

					03-09
					
					910
					
				

			

		

		

			
				
一、API解析

sklearn.model_selection.train_test_split(*arrays,test_size=None,train_size=None,random_state=None,shuffle=True,stratify=None)

该函数核心功能是：将样本数组或者矩阵按随机的方式分成训练集和测试集。

*arrays：数据的整体样本，类型可以是lists，numpy arrays，scipy-sparse matrices，pandas datafra...

			
		

	





	

		

			

				
					
Sklearn学习笔记3 model_selection模块

					
热门推荐

				
			

			

				

					edwinhaha的博客
				

				

					09-09
					
					1万+
					
				

			

		

		

			
				
这里写自定义目录标题sklearn.model_selection: Model Selection1 Splitter Classes
sklearn.model_selection: Model Selection
用户指南：请参阅交叉验证：评估估计器性能，调整估计器的超参数和 学习曲线部分，以了解更多详细信息。
1 Splitter Classes

...

			
		

	





	

		

			

				
					
sklearn学习——model_selection

				
			

			

				

					weixin_44441131的博客
				

				

					10-05
					
					3112
					
				

			

		

		

			
				
0. 写在前面
本博客累积一些关于sklearn中model_selection中常用的函数.
1. 形成测试集和训练集
from sklearn.model_selection import train_test_split
Xtrain,Xtest,Ytrain,Ytest = train_test_split(wine.data,wine.target,test_size=0.3,shuffle=True)

2. 交叉验证

from sklearn.model_selection import c

			
		

	





	

		

			

				
					
python——机器学习：sklearn模型选择model_selection模块函数说明和应用示例

				
			

			

				

					weixin_53848907的博客
				

				

					01-09
					
					4940
					
				

			

		

		

			
				
本篇文章通过具体数据做示例，总结了sklearn中模型选择model_selection模块常用函数的说明和使用方法。包括：1. 数据切分：train_test_split；2. K折交叉验证：KFold,StratifiedKFold,cross_val_score；3. 参数网格搜索GridSearchCV 

			
		

	





	

		

			

				
					
sklearn学习笔记一 model_selection

				
			

			

				

					leon_lavie的博客
				

				

					10-09
					
					949
					
				

			

		

		

			
				
一 常用函数

1 sklearn.model_selection.train_test_split随机划分训练集和测试集：

 

http://scikit-learn.org/stable/modules/generated/sklearn.model_selection.train_test_split.html#sklearn.model_selection.train_test_spl...

			
		

	





	

		

			

				
					
sklearn.model_selection模块

				
			

			

				

					weixin_34356555的博客
				

				

					01-24
					
					275
					
				

			

		

		

			
				
后续补代码


sklearn.model_selection模块的几个方法参数
转载于:https://www.cnblogs.com/andylhc/p/10314018.html

			
		

	





	

		

			

				
					
sklearn.model_selection.train_test_split模块

				
			

			

				

					Yale-曼陀罗
				

				

					11-01
					
					2862
					
				

			

		

		

			
				
在机器学习中，我们通常将原始数据按照比例分割为“测试集”和“训练集”，通常使用sklearn.model_selection里的train_test_split模块用来分割数据。
备注： 旧版本中，使用sklearn.cross_validation里的train_test_split模块用来分割数据。新版本中，cross_validation已经弃用，现在改为从 sklearn.model_se...

			
		

	





	

		

			

				
					
关于 from sklearn.model_selection import train_test_split 中的random_state参数

				
			

			

				

					mozai147的博客
				

				

					04-10
					
					1894
					
				

			

		

		

			
				
random_state：是随机数的种子。

   随机数种子：其实就是该组随机数的编号，在需要重复试验的时候，保证得到一组一样的随机数。比如你每次都填1，其他参数一样的情况下你得到的随机数组是一样的。但填0或不填，每次都会不一样。

随机数的产生取决于种子，随机数和种子之间的关系遵从以下两个规则：

种子不同，产生不同的随机数；种子相同，即使实例不同也产生相同的随机数。





			
		

	





	

		

			

				
					
sklearn之Model Selection 估计器

				
			

			

				

					影子
				

				

					04-28
					
					451
					
				

			

		

		

			
				
Model Selection 估计器

模型选择 (Model Selction) 在机器学习非常重要，它主要用于评估模型表现，常见的Model Selection 估计器有以下几个：


	cross_validate: 评估交叉验证的表现。
	
	
	learning_curve: 建立学习曲线。 
	
	
	GridSearchCV: 用交叉验证从网格中一组超参数搜索出最佳超参数。
	
	
	RandomizedSearchCV:用交叉验证从一组随机超参数搜索出最佳超参数。
	
交叉验证

...

			
		

	





	

		

			

				
					
在Python中想运行from sklearn.model_selection import train_test_split
from sklearn.decomposition import PCA
import pandas as pd
from sklearn import svm
import numpy as np
import math

import matplotlib.pyplot as plt
import matplotlib as mpl
from matplotlib import colors
from sklearn.model_selection import train_test_split
from sklearn import datasets
from matplotlib.colors import ListedColormap
from sklearn.svm import SVC
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import StratifiedShuffleSplit,StratifiedKFold
from sklearn.model_selection import GridSearchCV
from sklearn.model_selection import GridSearchCV, LeaveOneOut, cross_val_predict
from sklearn.model_selection import KFold
from sklearn.linear_model import LogisticRegression
from sklearn.naive_bayes import GaussianNB
from sklearn.neighbors import KNeighborsClassifier
from sklearn import svm
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import roc_auc_score
from sklearn.metrics import roc_auc_score
import math
import datetime
import multiprocessing as mp
from sklearn.ensemble import StackingClassifier
from sklearn.pipeline import make_pipeline
from sklearn.svm import LinearSVC

import random怎么操作

				
			

			

				

					07-12
				

			

		

		

			
				
from sklearn.model_selection import train_test_split from sklearn.decomposition import PCA import pandas as pd from sklearn import svm import numpy as np import math import matplotlib.pyplot as plt ...

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		评论	
	

	
	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
成就一亿技术人!

          

          

        

        

          

          

            领取后你会自动成为博主和红包主的粉丝
            规则
          

        

      

      

        

          

            
              
            
            

              
hope_wisdom
 发出的红包
            

          

        

        

          

          

          

        

      

    

    

  



      
      

      
实付元

      
使用余额支付

      

        

          

            
            点击重新获取
          

        

        
扫码支付

      

      

        
          
            
          
          
        
      

      

        
        钱包余额
          0
          

            
            

              

                
抵扣说明：

                
 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

              

            

          

      

      余额充值