python-sklearn模型通用方法的介绍

目录

1.fit(X,y)

2.get_params([deep])

3.predict（x） 

 4.score(x,y)

 5.set_params(**params)

---

方法	说明
fit(X, y)	根据数据矩阵X和标签y拟合模型
get_params([deep])	获取这个估计器的参数。
predict(X)	使用多层感知器模型进行预测。
score(X, y[, sample_weight])	返回预测的可决系数。
set_params(**params)	设置这个估计器的参数。

 假设训练好的模型名称为clf

1.fit(X,y)

根据数据矩阵X和标签y拟合模型。

参数	说明
X	ndarray or sparse matrix of shape (n_samples, n_features) 输入数据。
y	ndarray of shape (n_samples,) or (n_samples, n_outputs) 目标值（分类中的类别标签，回归中的实数）。

返回值	说明
self	returns a trained MLP model.

clf.fit(X,y)

2.get_params([deep])

获取模型的参数

参数	说明
deep	bool, default=True 如果为True，则将返回这个估计器的参数和所包含的估计器子对象。

返回值	说明
params	mapping of string to any 参数名映射到其值

clf.get_params(deep=True)

3.predict（x） 

使用模型进行预测

参数	说明
X	{array-like, sparse matrix} of shape (n_samples, n_features) 输入数据。

返回值	说明
y	ndarray of shape (n_samples, n_outputs) 预测值。

clf.predict(x)

 4.score(x,y)

返回预测的可决定系数R2

参数	说明
X	array-like of shape (n_samples, n_features) 测试样本。对于某些估计量，这可以是预先计算的面板矩阵或通用对象列表，而不是shape =（n_samples，n_samples_fitted），其中n_samples_fitted是用于估计器拟合的样本数。
y	array-like of shape (n_samples,) or (n_samples, n_outputs) X的真实值。
sample_weight	array-like of shape (n_samples,), default=None 样本权重。

返回值	说明
score	float self.predict(X)关于y的R2

 5.set_params(**params)

为模型设置参数

该方法适用于简单的估计器以及嵌套对象（例如pipelines）。后者具有形式的参数， <component>__<parameter>以便可以更新嵌套对象的每个组件。

参数	说明
**params	dict 估计器参数

返回值	说明
self	object 估计器实例