Python機器學習入門(四)之Python選擇模型
目錄
- 1.數(shù)據(jù)分離與驗證
- 1.1分離訓練數(shù)據(jù)集和評估數(shù)據(jù)集
- 1.2K折交叉驗證分離
- 1.3棄一交叉驗證分離
- 1.4重復隨機分離評估數(shù)據(jù)集與訓練數(shù)據(jù)集
- 2.算法評估
- 2.1分類算法評估
- 2.1.1分類準確度
- 2.1.2分類報告
- 2.2回歸算法評估
- 2.2.1平均絕對誤差
- 2.2.2均方誤差
- 2.2.3判定系數(shù)（
）
1.數(shù)據(jù)分離與驗證
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)運行生成的算法模型進行驗證。此外還可以使用新的數(shù)據(jù)來評估算法模型。
在評估機器學習算法時，不將訓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而變得過度嚴格，簡單來說就是指模型僅對訓練數(shù)據(jù)有較好的效果，而對于新數(shù)據(jù)則適應性很差。
如圖所示是一個分類實例，綠色曲線表示過擬合，黑色曲線表示正常模型?？梢钥吹竭^擬合模型僅對當前數(shù)據(jù)表現(xiàn)較好，而對新數(shù)據(jù)適應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，用來分離訓練集和評估集，并用其評估算法模型。
1.1分離訓練數(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，第一部分用來訓練算法生成模型，第二部分通過模型來預測結(jié)果，并于已知的結(jié)果進行比較，來評估算法模型的準確度。
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用性，在指定了分離數(shù)據(jù)大小的同時，還指定了隨機粒度（seed=4），將數(shù)據(jù)隨即進行分離。通過指定隨機的粒度，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折交叉驗證分離
K折交叉驗證是將原始數(shù)據(jù)分成K組（一般是均分）,將第一部分作為測試集，其余作為訓練集，訓練模型，計算模型在測試集上的準確率，每次用不同部分作為測試集，重復上述步驟K次，最后將平均準確率作為最終的模型準確率。
# K折交叉驗證分離
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準方差。
算法評估結(jié)果：77.216% (4.968%)
1.3棄一交叉驗證分離
相較于K折交叉驗證分離，棄一交叉驗證有顯著優(yōu)點：
- 每一回合中幾乎所有樣本你皆用于訓練模型，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。
- 實驗過程中沒有隨機因素會影響實驗數(shù)據(jù)，確保實驗過程可重復。
但棄一交叉驗證計算成本高，當原始數(shù)據(jù)樣本數(shù)量多時，棄一交叉驗證需要花費大量時間完成評估。
# 棄一交叉驗證分離
# 計算量非常大!!
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))
運算得出的標準方差與K折交叉驗證有較大差距。
算法評估結(jié)果：77.604% (41.689%)
1.4重復隨機分離評估數(shù)據(jù)集與訓練數(shù)據(jù)集
另外一種K折交叉驗證的用途是隨即分離數(shù)據(jù)為訓練數(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分類準確度
分類準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。準確度是一個很好、很直觀的評價指標，但是有時候準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)果準確度：%.3f(%.3f)" % (result.mean(),result.std()))
算法評估結(jié)果準確度：0.772(0.050)
2.1.2分類報告
在scikit-learn中提供了一個非常方便的工具，可以給出對分類問題的評估報告，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（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觀測值與算術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測值誤差的實際情況。
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，可以評價數(shù)據(jù)的變化程度。均方根誤差是均方誤差的算術平均跟。均方誤差越小，說明用該預測模型描述實驗數(shù)據(jù)準確度越高。
#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折交叉驗證是用來評估機器學習算法的黃金準則。黃金準則為：當不知如何選擇分離數(shù)據(jù)集的方法時，選擇K折交叉驗證來分離數(shù)據(jù)集；當不知如何設定K值時，將K設為10。
到此這篇關于Python機器學習入門(四)選擇模型的文章就介紹到這了,更多相關Python機器學習內(nèi)容請搜索本站以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持本站！
版權(quán)聲明：本站文章來源標注為YINGSOO的內(nèi)容版權(quán)均為本站所有，歡迎引用、轉(zhuǎn)載，請保持原文完整并注明來源及原文鏈接。禁止復制或仿造本網(wǎng)站，禁止在非www.sddonglingsh.com所屬的服務器上建立鏡像，否則將依法追究法律責任。本站部分內(nèi)容來源于網(wǎng)友推薦、互聯(lián)網(wǎng)收集整理而來，僅供學習參考，不代表本站立場，如有內(nèi)容涉嫌侵權(quán)，請聯(lián)系alex-e#qq.com處理。
關注官方微信