四、分类算法 - 模型选择与调优

目录

1、模型选择与调优

1.1 交叉验证

1.2 超参数搜索 - 网格搜索

1.3 模型选择与调优 API

1.4 鸢尾花案例增加K值调优

1. sklearn转换器和估算器
2. KNN算法
3. 模型选择和调优
4. 朴素贝叶斯算法
5. 决策树
6. 随机森林

1、模型选择与调优

1.1 交叉验证

1.2 超参数搜索 - 网格搜索

1.3 模型选择与调优 API

1.4 鸢尾花案例增加K值调优

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.neighbors import KNeighborsClassifier
from sklearn.preprocessing import StandardScaler

def knn_iris():
    # 用KNN 算法对鸢尾花进行分类
    # 1、获取数据
    iris = load_iris()
    # 2、划分数据集
    x_train,x_test,y_train,y_test = train_test_split(iris.data,iris.target,random_state=6)
    # 3、特征工程 - 标准化
    transfer = StandardScaler()
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.transform(x_test)
    # 4、KNN 算法预估器
    estimator = KNeighborsClassifier(n_neighbors=3)
    estimator.fit(x_train,y_train)
    # 5、模型评估
    # 方法1 ：直接比对真实值和预测值
    y_predict = estimator.predict(x_test)
    print("y_predict：\n",y_predict)
    print("直接比对真实值和预测值：\n",y_test == y_predict)
    # 方法2：计算准确率
    score = estimator.score(x_test,y_test)
    print("准确率为：\n",score)
    return None

def knn_iris_gscv():
    # 用KNN 算法对鸢尾花进行分类，添加网格搜索和交叉验证
    # 1、获取数据
    iris = load_iris()

    # 2、划分数据集
    x_train,x_test,y_train,y_test = train_test_split(iris.data,iris.target,random_state=6)

    # 3、特征工程 - 标准化
    transfer = StandardScaler()
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.transform(x_test)

    # 4、KNN 算法预估器
    estimator = KNeighborsClassifier()
    # 加入网格搜索和交叉验证
    # 参数准备
    param_dict = {"n_neighbors":[1,3,5,7,9,11]}
    estimator = GridSearchCV(estimator,param_grid=param_dict,cv=10)
    estimator.fit(x_train,y_train)

    # 5、模型评估
    # 方法1 ：直接比对真实值和预测值
    y_predict = estimator.predict(x_test)
    print("y_predict：\n",y_predict)
    print("直接比对真实值和预测值：\n",y_test == y_predict)
    # 方法2：计算准确率
    score = estimator.score(x_test,y_test)
    print("准确率为：\n",score)

    # 最佳参数：best_params_
    print("最佳参数：\n",estimator.best_params_)
    # 最佳结果：best_score_
    print("最佳结果：\n",estimator.best_score_)
    # 最佳估计值：best_estimator_
    print("最佳估计值：\n",estimator.best_estimator_)
    # 交叉验证结果：cv_results_
    print("交叉验证结果：\n",estimator.cv_results_)

    return None

if __name__ == "__main__":
    # 代码1 ：用KNN算法对鸢尾花进行分类
    knn_iris()
    # 代码2 ：用KNN算法对鸢尾花进行分类，添加网格搜索和交叉验证
    knn_iris_gscv()