机器学习算法对比-优快云博客

本文链接：https://blog.youkuaiyun.com/ClusterCharge/article/details/80944791

本文通过生成的数据集，对比了高斯朴素贝叶斯、支持向量机与随机森林三种机器学习算法的性能。采用10折交叉验证进行数据划分，并利用accuracy_score、f1_score及roc_auc_score等指标进行了综合评估。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

题目：

题目大意是这样的：生成一个数据集合，并且使用三种机器学习算法进行训练，并且根据训练结果使用三种方法评估三种算法的性能

步骤1：生成数据集合

使用make_classification函数生成一个数据集

dataset = datasets.make_classification(n_samples=1000, n_features=10)

步骤2.使用10-fold cross validdation对数据集合进行划分

kf = cross_validation.KFold(1000, n_folds=10, shuffle=True)
for train_index, test_index in kf:
    X_train, y_train = dataset[0][train_index], dataset[1][train_index]
    X_test, y_test = dataset[0][test_index], dataset[1][test_index]

d = GaussianNB_clf.predict(X_test)步骤3：使用三种方法对数据集合进行训练

1.高斯NB

GaussianNB_clf = GaussianNB() 
GaussianNB_clf.fit(X_train, y_train)
GaussianNB_pred = GaussianNB_clf.predict(X_test)

2.SVM

SVC_clf = SVC(C=1e-01, kernel='rbf', gamma=0.1)
SVC_clf.fit(X_train, y_train)
SVC_pred = SVC_clf.predict(X_test)

3.随机森林

Random_Forest_clf = RandomForestClassifier(n_estimators=6)
Random_Forest_clf.fit(X_train, y_train)
Random_Forest_pred = Random_Forest_clf.predict(X_test)

步骤4:对性能进行评价

分别使用accuracy_score,fi_score,roc_auc_score得到准确度