免费空间 网站,建站工具 营销,佛山市网能建设有限公司,聊城网站建设方案1.数据集划分
1.1 为什么要划分数据集?
思考#xff1a;我们有以下场景#xff1a; 将所有的数据都作为训练数据#xff0c;训练出一个模型直接上线预测 每当得到一个新的数据#xff0c;则计算新数据到训练数据的距离#xff0c;预测得到新数据的类别
存在问题我们有以下场景 将所有的数据都作为训练数据训练出一个模型直接上线预测 每当得到一个新的数据则计算新数据到训练数据的距离预测得到新数据的类别
存在问题 上线之前如何评估模型的好坏 模型使用所有数据训练使用哪些数据来进行模型评估
结论不能将所有数据集全部用于训练
为了能够评估模型的泛化能力可以通过实验测试对学习器的泛化能力进行评估进而做出选择。因此需要使用一个 测试集 来测试学习器对新样本的判别能力以测试集上的 测试误差 作为泛化误差的近似。
一般测试集满足:
能代表整个数据集测试集与训练集互斥测试集与训练集建议比例: 2比8、3比7 等
1.2 数据集划分的方法¶
留出法将数据集划分成两个互斥的集合训练集测试集
训练集用于模型训练测试集用于模型验证也称之为简单交叉验证
交叉验证将数据集划分为训练集验证集测试集
训练集用于模型训练验证集用于参数调整测试集用于模型验证
留一法每次从训练数据中抽取一条数据作为测试集
自助法以自助采样可重复采样、有放回采样为基础
在数据集D中随机抽取m个样本作为训练集没被随机抽取到的D-m条数据作为测试集
1.3 留出法(简单交叉验证)
留出法 (hold-out) 将数据集 D 划分为两个互斥的集合其中一个集合作为训练集 S另一个作为测试集 T。
from sklearn.model_selection import train_test_split
from sklearn.model_selection import StratifiedShuffleSplit
from sklearn.model_selection import ShuffleSplit
from collections import Counter
from sklearn.datasets import load_irisdef test01():# 1. 加载数据集x, y load_iris(return_X_yTrue)print(原始类别比例:, Counter(y))# 2. 留出法(随机分割)x_train, x_test, y_train, y_test train_test_split(x, y, test_size0.2)print(随机类别分割:, Counter(y_train), Counter(y_test))# 3. 留出法(分层分割)x_train, x_test, y_train, y_test train_test_split(x, y, test_size0.2, stratifyy)print(分层类别分割:, Counter(y_train), Counter(y_test))def test02():# 1. 加载数据集x, y load_iris(return_X_yTrue)print(原始类别比例:, Counter(y))print(* * 40)# 2. 多次划分(随机分割)spliter ShuffleSplit(n_splits5, test_size0.2, random_state0)for train, test in spliter.split(x, y):print(随机多次分割:, Counter(y[test]))print(* * 40)# 3. 多次划分(分层分割)spliter StratifiedShuffleSplit(n_splits5, test_size0.2, random_state0)for train, test in spliter.split(x, y):print(分层多次分割:, Counter(y[test]))if __name__ __main__:test01()test02()
1.4 交叉验证法 K-Fold交叉验证将数据随机且均匀地分成k分如上图所示k为10假设每份数据的标号为0-9
第一次使用标号为0-8的共9份数据来做训练而使用标号为9的这一份数据来进行测试得到一个准确率第二次使用标记为1-9的共9份数据进行训练而使用标号为0的这份数据进行测试得到第二个准确率以此类推每次使用9份数据作为训练而使用剩下的一份数据进行测试共进行10次训练最后模型的准确率为10次准确率的平均值这样可以避免了数据划分而造成的评估不准确的问题。
from sklearn.model_selection import KFold
from sklearn.model_selection import StratifiedKFold
from collections import Counter
from sklearn.datasets import load_irisdef test():# 1. 加载数据集x, y load_iris(return_X_yTrue)print(原始类别比例:, Counter(y))print(* * 40)# 2. 随机交叉验证spliter KFold(n_splits5, shuffleTrue, random_state0)for train, test in spliter.split(x, y):print(随机交叉验证:, Counter(y[test]))print(* * 40)# 3. 分层交叉验证spliter StratifiedKFold(n_splits5, shuffleTrue, random_state0)for train, test in spliter.split(x, y):print(分层交叉验证:, Counter(y[test]))if __name__ __main__:test() 1.5 留一法
留一法( Leave-One-Out简称LOO即每次抽取一个样本做为测试集。 from sklearn.model_selection import LeaveOneOut
from sklearn.model_selection import LeavePOut
from sklearn.datasets import load_iris
from collections import Counterdef test01():# 1. 加载数据集x, y load_iris(return_X_yTrue)print(原始类别比例:, Counter(y))print(* * 40)# 2. 留一法spliter LeaveOneOut()for train, test in spliter.split(x, y):print(训练集:, len(train), 测试集:, len(test), test)print(* * 40)# 3. 留P法spliter LeavePOut(p3)for train, test in spliter.split(x, y):print(训练集:, len(train), 测试集:, len(test), test)if __name__ __main__:test01()
1.6 自助法
每次随机从D中抽出一个样本将其拷贝放入D然后再将该样本放回初始数据集D中使得该样本在下次采样时仍有可能被抽到 这个过程重复执行m次后我们就得到了包含m个样本的数据集D′这就是自助采样的结果。
import pandas as pdif __name__ __main__:# 1. 构造数据集data [[90, 2, 10, 40],[60, 4, 15, 45],[75, 3, 13, 46],[78, 2, 64, 22]]data pd.DataFrame(data)print(数据集:\n,data)print(* * 30)# 2. 产生训练集train data.sample(frac1, replaceTrue)print(训练集:\n, train)print(* * 30)# 3. 产生测试集test data.loc[data.index.difference(train.index)]print(测试集:\n, test)
2.分类算法的评估标准¶
2.1 分类算法的评估¶
如何评估分类算法 利用训练好的模型使用测试集的特征值进行预测 将预测结果和测试集的目标值比较计算预测正确的百分比 这个百分比就是准确率 accuracy 准确率越高说明模型效果越好
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
#加载鸢尾花数据
X,y datasets.load_iris(return_X_y True)
#训练集 测试集划分
X_train,X_test,y_train,y_test train_test_split(X,y,test_size0.2)
# 创建KNN分类器对象 近邻数为6
knn_clf KNeighborsClassifier(n_neighbors6)
#训练集训练模型
knn_clf.fit(X_train,y_train)
#使用训练好的模型进行预测
y_predict knn_clf.predict(X_test) 计算准确率
sum(y_predicty_test)/y_test.shape[0]2.2 SKlearn中模型评估API介绍
sklearn封装了计算准确率的相关API
sklearn.metrics包中的accuracy_score方法: 传入预测结果和测试集的标签 返回预测准去率分类模型对象的 score 方法传入测试集特征值测试集目标值
#计算准确率
from sklearn.metrics import accuracy_score
#方式1
accuracy_score(y_test,y_predict)
#方式2
knn_classifier.score(X_test,y_test)
3. 小结¶
留出法每次从数据集中选择一部分作为测试集、一部分作为训练集交叉验证法将数据集等份为 N 份其中一部分做验证集其他做训练集留一法每次选择一个样本做验证集其他数据集做训练集自助法通过有放回的抽样产生训练集、验证集通过accuracy_score方法 或者分类模型对象的score方法可以计算分类模型的预测准确率用于模型评估
