資訊專欄INFORMATION COLUMN
摘要：交叉驗證是經常用到的驗證方法使用可以很大程度上簡化交叉驗證的過程使用過程見下方這里以模型為例訓練集標簽交叉驗證的倍數返回結果的類型，可以自定義，也有很多默認選項例如就是返回準確率都是可以的這就是簡單的用法，只有比較復雜，其他都比較簡單
交叉驗證是經常用到的驗證方法
使用sklearn可以很大程度上簡化交叉驗證的過程
使用過程見下方：
from sklearn import cross_validation
gbdt=GradientBoostingRegressor()
score = cross_validation.cross_val_score(gbdt, train_set,
label_set, cv=10, scoring="accuracy")
這里以gbdt模型為例
train_set：訓練集
label_set：標簽
cv: 交叉驗證的倍數
scoring: 返回結果的類型，可以自定義，也有很多默認選項
例如‘accuracy’, 就是返回準確率
[‘accuracy‘, ‘adjusted_rand_score‘,
‘average_precision‘, ‘f1‘, ‘f1_macro‘,
‘f1_micro‘, ‘f1_samples‘, ‘f1_weighted‘,
‘log_loss‘, ‘mean_absolute_error‘,
‘mean_squared_error‘, ‘median_absolute_error‘,
‘precision‘, ‘precision_macro‘,
‘precision_micro‘, ‘precision_samples‘,
‘precision_weighted‘, ‘r2‘, ‘recall‘,
‘recall_macro‘, ‘recall_micro‘,
‘recall_samples‘, ‘recall_weighted‘,
‘roc_auc‘] 都是可以的
這就是簡單的用法，只有scoring比較復雜，其他都比較簡單
文章版權歸作者所有，未經允許請勿轉載,若此文章存在違規行為，您可以聯系管理員刪除。
轉載請注明本文地址：http://m.specialneedsforspecialkids.com/yun/37922.html
摘要：還提供了，將多項式特征數據歸一化和線性回歸組合在了一起，大大方便的編程的過程。在機器學習算法中，主要的挑戰來自方差，解決的方法主要有降低模型復雜度降維增加樣本數使用驗證集模型正則化。 多項式回歸 多項式回歸使用線性回歸的基本思路 非線性曲線如圖： showImg(https://segmentfault.com/img/bVbkn4q?w=372&h=252); 假設曲線表達式為：$y...
摘要：機器學習工程師納米學位模型評價與驗證項目預測波士頓房價歡迎來到預測波士頓房價項目在此文件中，我們已經提供了一些示例代碼，但你還需要完善更多功能才能讓項目成功運行。 機器學習工程師納米學位 模型評價與驗證 項目 1: 預測波士頓房價 歡迎來到預測波士頓房價項目！在此文件中，我們已經提供了一些示例代碼，但你還需要完善更多功能才能讓項目成功運行。除非有明確要求，你無需修改任何已給出的代碼。習...
閱讀 547·2021-08-31 09:45
閱讀 1656·2021-08-11 11:19
閱讀 893·2019-08-30 15:55
閱讀 831·2019-08-30 10:52
閱讀 2862·2019-08-29 13:11
閱讀 2935·2019-08-23 17:08
閱讀 2844·2019-08-23 15:11
閱讀 3075·2019-08-23 14:33
