本实例展示怎样使用cross_val_predict来可视化预测错误:

# coding:utf-8from pylab import *
from sklearn import datasets
from sklearn.model_selection import cross_val_predict
from sklearn import linear_modellr = linear_model.LinearRegression()
boston = datasets.load_boston()
y = boston.target
#cross_val_predict返回和`y`相同尺寸的数组
#每一个entry是通过交叉验证的相应预测
predicted = cross_val_predict(lr,boston.data,y,cv=10)#设置中文字体
myfont = matplotlib.font_manager.FontProperties(fname="Microsoft-Yahei-UI-Light.ttc")
mpl.rcParams['axes.unicode_minus'] = False
#绘制
plt.scatter(y,predicted)
plt.plot([y.min(),y.max()],[y.min(),y.max()],"k--",lw=4)
plt.title(u'绘制交叉验证预测',fontproperties=myfont)
plt.xlabel(u'测度',fontproperties=myfont)
plt.ylabel(u'预测',fontproperties=myfont)
#显示绘制结果
plt.show()

scikit-learn一般实例之一:绘制交叉验证预测相关推荐

  1. k折交叉验证优缺点_k折交叉验证(R语言)

    "机器学习中需要把数据分为训练集和测试集,因此如何划分训练集和测试集就成为影响模型效果的重要因素.本文介绍一种常用的划分最优训练集和测试集的方法--k折交叉验证." k折交叉验证 ...

  2. 机器学习中的交叉验证

    总第100篇 本篇讲讲机器学习中的交叉验证问题,并利用sklearn实现. 前言 在说交叉验证以前,我们先想一下我们在搭建模型时的关于数据切分的常规做法[直接利用train_test_split把所有 ...

  3. 交叉验证(Cross-Validation)

    交叉验证(Cross-Validation) 目录 交叉验证(Cross-Validation) 一.基本方法 1.保留交叉验证 hand-out cross validation 2.k折交叉验证 ...

  4. 交叉验证分析每一折(fold of Kfold)验证数据的评估指标并绘制综合ROC曲线

    交叉验证分析每一折(fold of Kfold)验证数据的评估指标并绘制综合ROC曲线 Receiver Operating Characteristic (ROC) with cross valid ...

  5. 通过交叉验证(Cross Validation)KFold绘制ROC曲线并选出最优模型进行模型评估、测试、包含分类指标、校准曲线、混淆矩阵等

    通过交叉验证(Cross Validation,CV)KFold绘制ROC曲线并选出最优模型进行模型评估.测试.包含分类指标.校准曲线.混淆矩阵等 Cross Validation cross val ...

  6. svm 交叉验证 python_【python机器学习笔记】SVM实例:有毒蘑菇预测

    假如我手上有一个未知的蘑菇,我知道它的一系列特征(伞盖形状.发现地点.颜色.气味等等),但是仅仅依靠个人的经验判断能不能吃难免会翻车,这就要用到更多的经验.大数据就很好地解决了这个个人经验缺乏的问题: ...

  7. 统计机器学习 作业一 采用交叉验证、留出法、自助法划分数据集,绘制PR图

    要求:随机生成两组数据,每组50个数,其中一组服从正态分布,另一组服从N(1,1) .编写一个code: Input:上面产生的100个数,类别数:2 Output:1.0标签序列(每个标签对应每个数 ...

  8. 周志华《机器学习》课后习题3.410折交叉验证法和留一法UCI实例比较

    3.4选择两个UCI数据集,比较10折交叉验证法和留一法所估计出的对率回归的错误率. 利用SciKitLearn做十折交叉验证和留一法筛选 本文选用UCI提供的鸢尾花数据集和红酒产地数据集. Iris ...

  9. 机器学习工程实例 垃圾邮件过滤系统 数据预处理 训练模型 交叉验证 精准率召回率计算 步骤详细解析

    本博客所有内容均整理自<Hands-On Machine Learning with Scikit-Learn & TensorFlow>一书及其GitHub源码. 看<Ha ...

最新文章

  1. 十一、H.264的Slice Header解析
  2. 使用Spring Security 5进行密码编码器迁移
  3. 牛客网C++面经 容器和算法
  4. 基于java的银行ATM系统设计(含源文件)
  5. NSArray 所有基础点示例
  6. Fancybox—Fancybox的API和配置选项说明
  7. PHP生成TXT文件并自动下载
  8. 【iOS开发】实现App内替换图标
  9. 短消息代理(cmpp20 smproxy)要怎么创建java项目_基于华为smproxy开发的cmpp3
  10. 生活中的十大心理学现象
  11. FTP协议 与 FXP协议区别
  12. asp连接excel数据库
  13. Python实现聊天机器人
  14. 电容的工作原理、分类选择与应用
  15. train_test_split(),随机划分训练集和测试集的函数
  16. jq实现点击容器实现2张图片切换(改变src路径)
  17. 强大的云平台初体验,一款不可错过的云开发
  18. 【最终总结版】linux内核编译过程
  19. java项目-第137期jsp+servlet的周公算命预测系统-java毕业设计
  20. ARM开发软件及实用工具介绍

热门文章

  1. CryptoAPI与openssl数字签名与验证交互
  2. 跨国婚姻登记指南是怎样的一个流程呢??
  3. 2020(广东)功能性农业大健康大会中国农民丰收节交易会
  4. xvfb-run: error: xauth command not found 解决方式
  5. 工作流笔记第一天_简单介绍activiti
  6. SQL 2005/2008 清空收缩日志
  7. MSSQL表分区的创建
  8. Oracle子查询无法使用order by如何办?
  9. 分享几个简单的WPF控件(代码)
  10. 涨知识!船东提单和货代提单的区别!