python打卡day11

最新推荐文章于 2025-12-21 18:49:56 发布

原创最新推荐文章于 2025-12-21 18:49:56 发布 · 1.6k 阅读

39 ·

CC 4.0 BY-SA版权

文章标签：

#python #开发语言

python学习打卡专栏收录该内容

10 篇文章

订阅专栏

超参数调整

模型 = 算法 + 实例化设置的外参（超参数）+训练得到的内参

所以如果不做交叉验证，就需要划分验证集和测试集，但是很多调参方法中都默认有交叉验证，所以实际中可以省去划分验证集和测试集的步骤。

而有些模型是自带交叉验证的。

每个模型都有自己的超参数，每个超参数都有一定的意义。对于机器学习模型的超参数

通常指模型训练前需要人工设定的参数（例如学习率、随机森林模型中树的深度、迭代次数等），需在模型初始化或训练阶段明确指定。

import pandas as pd
import pandas as pd    #用于数据处理和分析，可处理表格数据。
import numpy as np     #用于数值计算，提供了高效的数组操作。
import matplotlib.pyplot as plt    #用于绘制各种类型的图表
import seaborn as sns   #基于matplotlib的高级绘图库，能绘制更美观的统计图形。
 
 # 设置中文字体（解决中文显示问题）
plt.rcParams['font.sans-serif'] = ['SimHei']  # Windows系统常用黑体字体
plt.rcParams['axes.unicode_minus'] = False    # 正常显示负号
data = pd.read_csv('data.csv')    #读取数据

# 先筛选字符串变量 
discrete_features = data.select_dtypes(include=['object']).columns.tolist()
# Home Ownership 标签编码
home_ownership_mapping = {
    'Own Home': 1,
    'Rent': 2,
    'Have Mortgage': 3,
    'Home Mortgage': 4
}
data['Home Ownership'] = data['Home Ownership'].map(home_ownership_mapping)
# Years in current job 标签编码
years_in_job_mapping = {
    '< 1 year': 1,
    '1 year': 2,
    '2 years': 3,
    '3 years': 4,
    '4 years': 5,
    '5 years': 6,
    '6 years': 7,
    '7 years': 8,
    '8 years': 9,
    '9 years': 10,
    '10+ years': 11
}
data['Years in current job'] = data['Years in current job'].map(years_in_job_mapping)

导入

库以后筛选字符串，标签编码。


 # 连续特征用中位数补全
for feature in continuous_features:     
    mode_value = data[feature].mode()[0]            #获取该列的众数。
    data[feature].fillna(mode_value, inplace=True)          #用众数填充该列的缺失值，inplace=True表示直接在原数据上修改。

data[feature].mode()会返回一个 pandas.Series ，包含当前列的所有众数（可能有多个，例如某列中多个值出现次数相同且最多时）。
[0] 表示取第一个众数。

划分数据集

from sklearn.model_selection import train_test_split
X = data.drop(['Credit Default'], axis=1)  # 特征，axis=1表示按列删除
y = data['Credit Default']  # 标签
# 按照8:1:1划分训练集、验证集和测试集
X_train, X_temp, y_train, y_temp = train_test_split(X, y, test_size=0.2, random_state=42)  # 80%训练集，20%临时集
X_val, X_test, y_val, y_test = train_test_split(X_temp, y_temp, test_size=0.5, random_state=42)

划分训练集、验证集和测试集，相当于考两次试。

X_train, X_temp, y_train, y_temp = train_test_split(X, y, test_size=0.2, random_state=42)

这里划分80%的训练集和20%的临时集。

X_train: (6000, 31) 和 y_train: (6000,) 表示划分后的训练集数据形状，具体含义如下：

X_train: (6000, 31)
这是训练集的特征数据（输入数据）的形状。
第一个数字 6000 表示训练集中有 6000个样本（即6000条数据记录）相当于6000行数据。
第二个数字 31 表示每个样本有 31个特征（即每条数据包含31个用于模型训练的变量）。
y_train: (6000,)
这是训练集的目标数据（输出标签）的形状。
数字 6000 表示训练集中有 6000个样本的标签值（每个样本对应一个目标值，例如分类问题中的类别或回归问题中的数值）。

调参方法

主要包括

1. 随机搜索：在参数空间中随机选择参数组合，然后使用交叉验证来评估每个组合的性能：

2. 网格搜索

3. 贝叶斯优化

# --- 1. 默认参数的随机森林 ---
# 评估基准模型，这里确实不需要验证集
print("--- 1. 默认参数随机森林 (训练集 -> 测试集) ---")
import time # 这里介绍一个新的库，time库，主要用于时间相关的操作，因为调参需要很长时间，记录下会帮助后人知道大概的时长
start_time = time.time() # 记录开始时间
rf_model = RandomForestClassifier(random_state=42)
rf_model.fit(X_train, y_train) # 在训练集上训练
rf_pred = rf_model.predict(X_test) # 在测试集上预测
end_time = time.time() # 记录结束时间

print(f"训练与预测耗时: {end_time - start_time:.4f} 秒")
print("\n默认随机森林 在测试集上的分类报告：")
print(classification_report(y_test, rf_pred))
print("默认随机森林 在测试集上的混淆矩阵：")
print(confusion_matrix(y_test, rf_pred))

@浙大疏锦行