Python機(jī)器學(xué)習(xí)入門(四)之Python選擇模型
1.數(shù)據(jù)分離與驗(yàn)證
要知道算法模型對未知的數(shù)據(jù)表現(xiàn)如何，最好的評估辦法是利用已經(jīng)明確知道結(jié)果的數(shù)據(jù)運(yùn)行生成的算法模型進(jìn)行驗(yàn)證。此外還可以使用新的數(shù)據(jù)來評估算法模型。
在評估機(jī)器學(xué)習(xí)算法時(shí)，不將訓(xùn)練集直接作為評估數(shù)據(jù)集最直接的原因就是過度擬合。過度擬合是指為了得到一致性假設(shè)而變得過度嚴(yán)格，簡單來說就是指模型僅對訓(xùn)練數(shù)據(jù)有較好的效果，而對于新數(shù)據(jù)則適應(yīng)性很差。
如圖所示是一個(gè)分類實(shí)例，綠色曲線表示過擬合，黑色曲線表示正常模型。可以看到過擬合模型僅對當(dāng)前數(shù)據(jù)表現(xiàn)較好，而對新數(shù)據(jù)適應(yīng)性明顯不如正常模型。
接下來將講解四種不同的分離數(shù)據(jù)集的方法，用來分離訓(xùn)練集和評估集，并用其評估算法模型。
1.1分離訓(xùn)練數(shù)據(jù)集和評估數(shù)據(jù)集
可以簡單地將原始數(shù)據(jù)集分為兩部分，第一部分用來訓(xùn)練算法生成模型，第二部分通過模型來預(yù)測結(jié)果，并于已知的結(jié)果進(jìn)行比較，來評估算法模型的準(zhǔn)確度。
from pandas import read_csv
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import KFold
from sklearn.model_selection import cross_val_score
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import LeaveOneOut
from sklearn.model_selection import ShuffleSplit
filename = 'pima_data.csv'
names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']
data = read_csv(filename, names=names)
# print(data.head(10))
array = data.values
X = array[:, 0:8]
Y = array[:, 8]
test_size = 0.33
seed = 4
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=test_size, random_state=seed)
model = LogisticRegression(max_iter=3000)
model.fit(X_train, Y_train)
result = model.score(X_test, Y_test)
print("算法評估結(jié)果：%3f%%" % (result * 100))
執(zhí)行后得到的結(jié)果約為80%。為了讓算法模型具有良好的可復(fù)用性，在指定了分離數(shù)據(jù)大小的同時(shí)，還指定了隨機(jī)粒度（seed=4），將數(shù)據(jù)隨即進(jìn)行分離。通過指定隨機(jī)的粒度，可以確保每次執(zhí)行程序得到相同的結(jié)果，這有助于比較兩個(gè)不同的算法生成模型的結(jié)果。
算法評估結(jié)果：80.314961%
1.2K折交叉驗(yàn)證分離
K折交叉驗(yàn)證是將原始數(shù)據(jù)分成K組（一般是均分）,將第一部分作為測試集，其余作為訓(xùn)練集，訓(xùn)練模型，計(jì)算模型在測試集上的準(zhǔn)確率，每次用不同部分作為測試集，重復(fù)上述步驟K次，最后將平均準(zhǔn)確率作為最終的模型準(zhǔn)確率。
# K折交叉驗(yàn)證分離
num_folds = 10
seed = 7
kfold = KFold(n_splits=num_folds, random_state=seed,shuffle=True)
model = LogisticRegression(max_iter=3000)
result = cross_val_score(model, X, Y, cv=kfold)
print("算法評估結(jié)果：%.3f%% (%.3f%%)" % (result.mean() * 100, result.std() * 100))
執(zhí)行后得到評估得分及標(biāo)準(zhǔn)方差。
算法評估結(jié)果：77.216% (4.968%)
1.3棄一交叉驗(yàn)證分離
相較于K折交叉驗(yàn)證分離，棄一交叉驗(yàn)證有顯著優(yōu)點(diǎn)：
- 每一回合中幾乎所有樣本你皆用于訓(xùn)練模型，因此最接近原始樣本的分布，這樣評估所得的結(jié)果比較可靠。
- 實(shí)驗(yàn)過程中沒有隨機(jī)因素會影響實(shí)驗(yàn)數(shù)據(jù)，確保實(shí)驗(yàn)過程可重復(fù)。
但棄一交叉驗(yàn)證計(jì)算成本高，當(dāng)原始數(shù)據(jù)樣本數(shù)量多時(shí)，棄一交叉驗(yàn)證需要花費(fèi)大量時(shí)間完成評估。
# 棄一交叉驗(yàn)證分離
# 計(jì)算量非常大!!
loocv = LeaveOneOut()
model = LogisticRegression(max_iter=3000)
result = cross_val_score(model,X,Y,cv = loocv)
print("算法評估結(jié)果：%.3f%% (%.3f%%)"% (result.mean()*100,result.std()*100))
運(yùn)算得出的標(biāo)準(zhǔn)方差與K折交叉驗(yàn)證有較大差距。
算法評估結(jié)果：77.604% (41.689%)
1.4重復(fù)隨機(jī)分離評估數(shù)據(jù)集與訓(xùn)練數(shù)據(jù)集
另外一種K折交叉驗(yàn)證的用途是隨即分離數(shù)據(jù)為訓(xùn)練數(shù)據(jù)集和評估數(shù)據(jù)集。
n_splits = 10
test_size = 0.33
seed = 7
kfold = ShuffleSplit(n_splits=n_splits, test_size=test_size, random_state=seed)
model = LogisticRegression(max_iter=3000)
result = cross_val_score(model, X, Y, cv=kfold)
print("算法評估結(jié)果：%.3f%% (%.3f%%)" % (result.mean() * 100, result.std() * 100))
算法評估結(jié)果：76.535% (2.235%)
2.算法評估
2.1分類算法評估
2.1.1分類準(zhǔn)確度
分類準(zhǔn)確度就是算法自動分類正確的樣本數(shù)除以所有的樣本數(shù)得出的結(jié)果。準(zhǔn)確度是一個(gè)很好、很直觀的評價(jià)指標(biāo)，但是有時(shí)候準(zhǔn)確度高并不代表算法就一定好。
from pandas import read_csv
import pandas as pd
from sklearn.model_selection import KFold
from sklearn.model_selection import cross_val_score
#分類準(zhǔn)確度
filename = 'pima_data.csv'
names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']
data = read_csv(filename,names=names)
#print(data.head(10))
#將數(shù)據(jù)分為輸入數(shù)據(jù)和輸出結(jié)果
array = data.values
X = array[:,0:8]
Y = array[:,8]
num_folds = 10
seed = 7
kfold = KFold(n_splits=num_folds,random_state=seed,shuffle=True)
model = LogisticRegression(max_iter=3000)
result = cross_val_score(model, X,Y,cv=kfold)
print("算法評估結(jié)果準(zhǔn)確度：%.3f(%.3f)" % (result.mean(),result.std()))
算法評估結(jié)果準(zhǔn)確度：0.772(0.050)
2.1.2分類報(bào)告
在scikit-learn中提供了一個(gè)非常方便的工具，可以給出對分類問題的評估報(bào)告，Classification__report()方法能夠給出precision,recall,F1-score,support。
from pandas import read_csv import pandas as pd from sklearn.model_selection import KFold from sklearn.metrics import classification_report #分類準(zhǔn)確度 filename = 'pima_data.csv' names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class'] data = read_csv(filename,names=names) print(data.head(10)) #將數(shù)據(jù)分為輸入數(shù)據(jù)和輸出結(jié)果 array = data.values X = array[:,0:8] Y = array[:,8] num_folds = 10 seed = 7 kfold = KFold(n_splits=num_folds,random_state=seed,shuffle=True) model = LogisticRegression(max_iter=3000) model.fit(X_train,Y_train) predicted = model.predict(X_test) report = classification_report(Y_test, predicted) print(report)
precision recall f1-score support
0.0 0.84 0.87 0.86 171
1.0 0.71 0.66 0.69 83
accuracy 0.80 254
macro avg 0.78 0.77 0.77 254
weighted avg 0.80 0.80 0.80 254
2.2回歸算法評估
回歸算法評估將使用波士頓房價(jià)（Boston House Price）數(shù)據(jù)集?？赏ㄟ^百度網(wǎng)盤下載
鏈接：https://pan.baidu.com/s/1uyDiXDC-ixfBIYmTU9rrAQ
提取碼：eplz
2.2.1平均絕對誤差
平均絕對誤差是所有單個(gè)觀測值與算術(shù)平均值偏差絕對值的平均值。平均絕對誤差相比于平均誤差能更好地反映預(yù)測值誤差的實(shí)際情況。
cross_val_score中的scoring參數(shù)詳解可見官方開發(fā)文檔
https://scikit-learn.org/stable/modules/model_evaluation.html#scoring-parameter
from pandas import read_csv
from sklearn.model_selection import KFold
from sklearn.model_selection import cross_val_score
from sklearn.linear_model import LinearRegression
filename = 'housing.csv'
names = ['CRIM','ZN','INDUS','CHAS','NOX','RM','AGE','DIS','RAD','TAX','PRTATIO','B','LSTAT','MEDV']
data = read_csv(filename,names=names,delim_whitespace=True)
array = data.values
X = array[:,0:13]
Y = array[:,13]
n_splits = 10
seed = 7
kfold = KFold(n_splits=n_splits,random_state=seed,shuffle=True)
model = LinearRegression()
#平均絕對誤差
scoring = 'neg_mean_absolute_error'
result = cross_val_score(model, X, Y, cv=kfold, scoring=scoring)
print('MAE:%.3f(%.3f)'% (result.mean(),result.std()))
MAE:-3.387(0.667)
2.2.2均方誤差
均方誤差是衡量平均誤差的方法，可以評價(jià)數(shù)據(jù)的變化程度。均方根誤差是均方誤差的算術(shù)平均跟。均方誤差越小，說明用該預(yù)測模型描述實(shí)驗(yàn)數(shù)據(jù)準(zhǔn)確度越高。
#均方誤差
scoring = 'neg_mean_squared_error'
result = cross_val_score(model, X, Y, cv=kfold, scoring=scoring)
print('MSE:%.3f(%.3f)'% (result.mean(),result.std()))
MSE:-23.747(11.143)
2.2.3判定系數(shù)（
）
判定系數(shù)（coefficient of determination），也叫可決系數(shù)或決定系數(shù)，是指在線性回歸中，回歸平方和與總離差平方和之比值，其數(shù)值等于相關(guān)系數(shù)的平方。
#決定系數(shù)
scoring = 'r2'
result = cross_val_score(model, X, Y, cv=kfold, scoring=scoring)
print('R2:%.3f(%.3f)'% (result.mean(),result.std()))
R2:0.718(0.099)
K折交叉驗(yàn)證是用來評估機(jī)器學(xué)習(xí)算法的黃金準(zhǔn)則。黃金準(zhǔn)則為：當(dāng)不知如何選擇分離數(shù)據(jù)集的方法時(shí)，選擇K折交叉驗(yàn)證來分離數(shù)據(jù)集；當(dāng)不知如何設(shè)定K值時(shí)，將K設(shè)為10。
到此這篇關(guān)于Python機(jī)器學(xué)習(xí)入門(四)選擇模型的文章就介紹到這了,更多相關(guān)Python機(jī)器學(xué)習(xí)內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
今天小編就為大家分享一篇使用Python的Turtle繪制哆啦A夢實(shí)例，具有很好的參考價(jià)值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-11-11
這篇文章主要介紹了Python字符串類型及格式化問題，具有很好的參考價(jià)值，希望對大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教2023-02-02
Jmeter通過OS進(jìn)程取樣器調(diào)用Python腳本實(shí)現(xiàn)參數(shù)互傳
這篇文章主要介紹了Jmeter通過OS進(jìn)程取樣器調(diào)用Python腳本實(shí)現(xiàn)參數(shù)互傳，描述在cmd中調(diào)用上面的Python腳本并傳入兩個(gè)參數(shù)展開主題，具有一定的參考價(jià)值，需要的小伙伴可以參考一下2022-03-03
串口通信工業(yè)控制上面常用的,本文主要介紹了pyqt串口通信的項(xiàng)目實(shí)踐,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2023-12-12
這篇文章主要為大家詳細(xì)介紹了Python實(shí)現(xiàn)簡單的俄羅斯方塊游戲，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2021-09-09
pytorch通過訓(xùn)練結(jié)果的復(fù)現(xiàn)設(shè)置隨機(jī)種子
這篇文章主要介紹了pytorch通過訓(xùn)練結(jié)果的復(fù)現(xiàn)設(shè)置隨機(jī)種子的操作，具有很好的參考價(jià)值，希望對大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教2021-06-06
這篇文章主要為大家詳細(xì)介紹了基于opencv實(shí)現(xiàn)簡單畫板功能，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2020-08-08
這篇文章主要介紹了python實(shí)現(xiàn)視頻壓縮功能,本文通過實(shí)例代碼給大家介紹的非常詳細(xì)，對大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值，需要的朋友可以參考下2020-12-12
python熱力圖實(shí)現(xiàn)的完整實(shí)例
熱力圖的使用場景有描述數(shù)據(jù)在空間的密集程度,常見有城市熱力圖、區(qū)域熱力圖,描述多個(gè)變量之間相關(guān)性高低程度,這篇文章主要給大家介紹了關(guān)于python熱力圖實(shí)現(xiàn)的相關(guān)資料,需要的朋友可以參考下2022-06-06
這篇文章主要為大家介紹了python處理excel繪制雷達(dá)圖的相關(guān)方法，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2019-10-10