机器学习(五) 鸢尾花案例调优

Python 机器学习

2018年3天快速入门python机器学习【黑马程序员】

机器学习(五) 鸢尾花案例调优

及帮助我们选择最优的k值(在KNN算法调优中)

需要导入GirdSearchCV (网格,交叉)

# 加入网格搜索与交叉验证 # 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) 12345 3.2 输出 最佳参数和最佳结果等

# 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_) # 最佳估计器：best_estimator_ print("最佳估计器:n", estimator.best_estimator_) # 交叉验证结果：cv_results_ #print("交叉验证结果:n", estimator.cv_results_) 12345678

最佳参数： {'n_neighbors': 3} 最佳结果： 0.9553030303030303 最佳估计器: KNeighborsClassifier(algorithm='auto', leaf_size=30, metric='minkowski', metric_params=None, n_jobs=None, n_neighbors=3, p=2, weights='uniform') 123456789

最佳结果和准确率有一定的差别是因为划分出了验证集,在验证集中的结果

在调用的时候体现距离的算法
进入KNeighborsClassifier的源码

minkowski是明科夫斯基距离

下面是全部的代码

from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split,GridSearchCV from sklearn.preprocessing import StandardScaler from sklearn.neighbors import KNeighborsClassifier def knn_iris(): ''' 用KNN算法对鸢尾花进行分类 :return: ''' # 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 :return: ''' # 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=22) # 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() # 加入网格搜索与交叉验证 # 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_) # 最佳估计器：best_estimator_ print("最佳估计器: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()

相关知识

机器学习案例——鸢尾花数据集分析
[Python机器学习]鸢尾花分类 机器学习应用
机器学习鸢尾花数据集
机器学习案例：鸢尾花分类——基于Scikit
[机器学习基础][笔记] 一、鸢尾花分类
【机器学习】鸢尾花分类
机器学习入门——鸢尾花问题
机器学习项目实战
机器学习算法
探索机器学习的起点：鸢尾花数据集

网址: 机器学习(五) 鸢尾花案例调优 https://www.huajiangbk.com/newsview768427.html