Python深度学习的一个小例子,用sklearn自己带的鸢尾花数据集训练。
在导入库的过程中,如果导入from sklearn.model_selection import train_test_split不成功的话,可以尝试from sklearn.cross_validation import train_test_split,或反过来;前者是新版本的,后者是老版本的。
X为特征值(鸢尾花的不同特征值),y为标签值(分类结果);X为150个(行)数据,每个数据4个(列)元素。
y只有一行,值有三个0、1、2,代表着三种分类。
为了保持数据的行一致,把标签值y,转换label_binarize为150乘以3的shape,[1 0 0]、[0 1 0]、[0 0 1]。
增加噪声特征,就是为了加大机器学习的难度,都是正确的,就不用学习了;c_是列增加。
把数据集(X和y)拆分train_test_split为训练集和测试集,各75个。
运行OneVsRestClassifier,把训练集和测试集数据传递给classifier.fit,得到预测值。
创建空字典,承载三个分类的精确召回曲线precision_recall_curve和平均精确值average_precision_score。
计算微平均值;参数做了降维ravel处理。
把分的三个类和均值,得到的精确召回曲线画出plot。