数据预处理及训练结果评估
归一化(标准化)
1234
|
from sklearn import preprocessingX_scaled = preprocessing.scale(X)
|
K折验证
12345
|
from sklearn.model_selection import train_test_splitX, y = np.arange(10).reshape((5, 2)), range(5)X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.125, random_state=0)
|
准确率、召回率等
123456789101112131415161718192021
|
from sklearn.metrics import precision_scoreprint(precision_score(y_test,y_predict,average='micro'))#其中，average可选（常用）：'''宏平均（Macro-averaging），是先对每一个类统计指标值，然后在对所有类求算术平均值。微平均（Micro-averaging），是对数据集中的每一个实例不分类别进行统计建立全局混淆矩阵，然后计算相应指标。'micro': 计算准确率 'macro': 计算每个标签的准确率 'weighted': 根据每个标签出现的数量按权重计算其准确率'binary': * 计算二分类的准确率（预测为1的准确率） * 在召回率中，则计算预测为1的占总数的百分比'''
|
召回率
123
|
from sklearn.metrics import recall_score recall_score(y_true, y_pred, average='micro') # average和上一个类似
|
f1-score
12
|
f1score(y_true, y_pred, average='micro') # average和上一个类似
|
准确率（sklearn训练）
1
|
print(clf.score(x_train, y_train))
|
PCA降维
1234567891011
|
import sklearn.decomposition.pca as PCAmypca=PCA.PCA(n_components=2)x_test_de=mypca.fit_transform(x_test)'''其中explained_variance_：方差值explained_variance_ratio_：方差占比singular_values_：分解得到的奇异值（不是奇异向量）inverse_transform(X)：按降维操作逆向升维'''
|
- source:hachp1.github.io
评论