scikit-learn作业题

最新推荐文章于 2021-02-08 20:19:41 发布

原创

最新推荐文章于 2021-02-08 20:19:41 发布 · 415 阅读

1 ·

CC 4.0 BY-SA版权

本文通过scikit-learn库的make_classification创建了一个数据集，并利用KFold进行交叉验证。分别使用了朴素贝叶斯、支持向量机和随机森林三种算法进行训练，并采用精确率、F1值和AUC ROC曲线作为性能评估指标。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

作业题目：

解题思路：

1.用sklearn的datasets中的make_classification函数创建一个数据集，根据所给提示，我们设置n_samples=1000, n_features=10；

2.用交叉验证分离数据集为10份，用cross_validation的KFolds函数；

3.分别使用三种训练算法：朴素贝叶斯、支持向量机和随机森林；

4.分别使用三种指标评估交叉验证的性能：精确率、F1值、AUC ROC曲线。

代码：

from sklearn import datasets
from sklearn import cross_validation
from sklearn.naive_bayes import GaussianNB
from sklearn.svm import SVC
from sklearn.ensemble import RandomForestClassifier
from sklearn import metrics

#创建数据集
dataset = datasets.make_classification(n_samples=1000, n_features=10)

#用交叉验证分离数据
cv = cross_validation.KFold(len(dataset[0]), n_folds=10, shuffle=True)
for train_index, test_index in cv:
    X_train, y_train = dataset[0][train_index], dataset[1][train_index]
    X_test, y_test = dataset[0][test_index], dataset[1][test_index]

#朴素贝叶斯
print('Gaussian NB') 
alg