sklearn之Model Selection 估计器
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
K-折交叉验证集 (K-fold cross validation set),就是把整个数据集平均但随机分成 K 份,每份大概包含 m/K 个数据 (m 是总数据数)。
在这 K 份,每次选 1 份作为训练集在拟合参数 w λ ,把参数用在剩下 K-1 份验证集上计算误差。由于遍历了这 K 份数据,因此该操作称为交叉验证。
两个调参的估计器,网格追踪和随机追踪。
网格追踪:参数 1 在 [1, 10, 100, 1000] 中取值,参数 2 在 [0.01, 0.1, 1 10] 中取值,注意并不是等间距取值。模型在所有 16 个组合跑,选取一对对应最小交叉验证误差的参数。
随机追踪:根据指定分布随机搜索,可以选择独立于参数个数,比如 log(参数 1) 服从 0 到 3 的均匀分布, log(参数 2) 服从 -2 到 1 的均匀分布。此外,会设定一个预算参数。
from time import time
from scipy.stats import randint
from sklearn.datasets import load_digits
from sklearn.model_selection import GridSearchCV
from sklearn.model_selection import RandomizedSearchCV
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_splitdigits = load_digits()
X,y=digits.data,digits.target
RFC=RandomForestClassifier(n_estimators=20)#Randomized Search
#创建一个含 20 个决策树的随机森林模型,那么它有超参数最大树深、最多特征数、最小可分裂样本数、和分裂标准。
param_dist={"max_depth":[3,5],"max_features":randint(1,11),"min_samples_split":randint(2,11),"criterion":["gini","entropy"]}
#设定了个迭代组数 n_iter_search=20
n_iter_search=20
random_search=RandomizedSearchCV(RFC,param_distributions=param_dist,n_iter=n_iter_search,cv=5)
start=time()random_search.fit(X,y)
print(random_search.best_params_)
print(random_search.best_score_)#Grid Search
param_grid={"max_depth":[3,5],"max_features":[1,3,10],"min_samples_split":[2,3,10],"criterion":["gini","entropy"]}grid_search=GridSearchCV(RFC,param_grid=param_grid,cv=5)
grid_search.fit(X,y)
print(grid_search.best_params_)
print(grid_search.best_score_)
#随机追踪比网格追踪用更短时间内找到一组超参数,获得了更高的得分
测试结果:
F:\开发工具\pythonProject\tools\venv\Scripts\python.exe F:/开发工具/pythonProject/tools/python的sklear学习/sklearn06.py
{'criterion': 'entropy', 'max_depth': 5, 'max_features': 10, 'min_samples_split': 3}
0.888706282884556
{'criterion': 'entropy', 'max_depth': 5, 'max_features': 10, 'min_samples_split': 2}
0.8981770349736923Process finished with exit code 0
sklearn之Model Selection 估计器相关推荐
- Model Selection Evaluation
Model Selection & Evaluation Agenda Cross Validation Hyperparameter Tuning Model Evaluation Mode ...
- 【小白学习keras教程】十、三种Model Selection方法:k-fold cross-validation,GridSearchCV和RandomizedSearchCV
@Author:Runsen Model Selection是划分训练集和测试集的手段,下面总结了三种Model Selection方法. k-fold cross-validation using ...
- 【转载】规则化和模型选择(Regularization and model selection)
规则化和模型选择(Regularization and model selection) 1 问题 模型选择问题:对于一个学习问题,可以有多种模型选择.比如要拟合一组样本点,可以使用线性回归 ...
- Foundations of Machine Learning 2nd——第四章Model Selection(二)
Foundations of Machine Learning 2nd--第四章Model Selection(二) 交叉验证 Cross Validation(CV) 交叉验证的步骤 交叉验证有效性 ...
- 规则化和模型选择(Regularization and model selection)
1 问题 模型选择问题:对于一个学习问题,可以有多种模型选择.比如要拟合一组样本点,可以使用线性回归,也可以用多项式回归.那么使用哪种模型好呢(能够在偏差和方差之间达到平衡最优)
- sklearn API 文档 - 0.18 中文翻译
为什么80%的码农都做不了架构师?>>> 所有函数和类的确切API,由docstrings给出.API会为所有功能提供预期类型和允许的功能,以及可用于算法的所有参数. 原文链接 ...
- sklearn API 文档
所有函数和类的确切API,由docstrings给出.API会为所有功能提供预期类型和允许的功能,以及可用于算法的所有参数. 原文链接 : http://scikit-learn.org/stable ...
- 机器学习实战 | SKLearn最全应用指南
Python微信订餐小程序课程视频 https://edu.csdn.net/course/detail/36074 Python实战量化交易理财系统 https://edu.csdn.net/cou ...
- sklearn学习总结
参考地址:https://www.huaweicloud.com/articles/93b502c692cb89a70681d28cf500475c.html Sklearn (全称 Scikit-L ...
最新文章
- C# HttpHelper帮助类,真正的Httprequest请求时无视编码,无视证书,无视Cookie,网页抓取...
- flask貌似html文件里只能用flask指定的路径格式,css文件里则可用相对路径
- Hadoop集群(第3期)_VSFTP安装配置
- LeetCode 104二叉树的最大深度-简单
- 推荐25款很棒的 HTML5 前端框架和开发工具【下篇】
- 休眠后gpio状态_1.Linux电源管理-休眠与唤醒
- win10家庭版如何开启组策略
- jbpm视频教程全集下载【21讲完整】
- linux学习一天一个命令(4)[mkdir命令]
- 【转】UNICODE编程资料
- 2022秋招求职记录(图像 视觉 c++)
- 分仓软件是什么?资管分仓的作用
- OAuth2通过token访问资源服务器
- 简历 skill ps html,ps个人简历制作教程
- 酷狗小程开发,项目创建(Vue)
- 基于Springboot开发实现买卖三方二手商品交易网站
- PostgreSQL存储过程-批量新增周末到节假日
- obs 推流编码在哪设置_OBS Studio基本设置
- 在输入框加入搜索图标的问题
- linux 文件的列数,Linux 输出文件列数,拼接文件
热门文章
- Scikit-Learn简单操作
- Linux基本常用命令
- 删除visual studio最近打开的项目列表
- Sqlserver常用函数例子说明
- 配置classpath,引入jar包
- 2021甘肃平凉高考成绩查询,甘肃省教育考试院:2021年甘肃高考查分入口、查分系统...
- 联想y7000p怎么连接显示器_惠普暗影精灵6和联想拯救者y7000p 2020款如何选?这里详细对比...
- fcm模糊聚类matlab实例_模糊控制
- postgre sql 括字段_【技术干货】30个最适合初学者的SQL查询
- php 后期发展,php – 通过后期处理上传进度