DAN_L的博客

一、Estimator对象的score方法二、在交叉验证中使用scoring参数约定：返回值越大代表性能越好。三、使用sklearn.metric中的性能度量函数

一、准确率Accuracy score二、混淆矩阵Confusion matrix

一、使用sklearn.metric包中的性能度量函数（一）分类器性能指标精度-召回率-F度量（Precision-Recall-F_measures）损失函数(Loss Function)接收机操作曲线(ROC Curves)1、只限于二元单标签分类问题的评估指标（1）matthews_corrcoef(y_true,y_pred[,…]计算二元分类中的Matthews相关系数（MCC）（2）precision_recall_curve(y_true,probas_pred)在不同的概率

一、通过交叉验证计算得分model_selection.cross_val_score(estimatoe,X)1、estimator：实现了fit函数的学习器2、X：array-like，需要学习的数据，可以是列表或2d数组3、y：array-like，可选的，默认为None，监督学习中样本特征向量的真实目标值4、scoring：string,callable or None,可选的，默认为None一个字符or一个scorer可调用对象或函数，须实现scorer(estimatoe,X,y)

一、GridSearchCVfrom sklearn import svm,datasetsfrom sklearn.model_selection import GridSearchCViris = datasets.load_iris()#定义参数网格：2*3=6个参数组合parameters = {‘kernel’????‘rbf’,‘linear’),‘C’:[1,5,10]}svr = svm.SVC()clf = GridSearchCV(svr,parameters)...

一、KFoldimport numpy as npfrom sklearn.model_selection import KFoldX = np.array([[1,2],[3,4],[5,6],[7,8],[9,10],[11,12]])y = np.array([1,2,3,4,5,6])kf = KFold(n_splits=2)kf.get_n_splits(X)print(kf)for train_index,test_index in kf.split(X):print...

一、SKLearn各个模块（一）监督学习的各个模块1、neighbors近邻算法2、svm支持向量机算法3、kernal_ridge核岭回归4、neighbors近邻算法5、discriminant_analysis判别分析6、linear_model广义线性模型7、ensemble集成方法8、tree决策树9、naive_bayes朴素贝叶斯10、cross_decomposition交叉分解11、gaussian_process高斯过程12、neural_network多层神经