python机器学习----模型选择2（绘制分类边界、验证曲线、学习曲线）

最新推荐文章于 2025-04-28 14:27:49 发布

可爱的红薯

最新推荐文章于 2025-04-28 14:27:49 发布

阅读量5.2k

点赞数 2

CC 4.0 BY-SA版权

分类专栏： python机器学习文章标签：机器学习学习曲线、训练曲线

本文链接：https://blog.youkuaiyun.com/u013344884/article/details/81429858

本文探讨了Python机器学习中模型选择的方法，包括绘制分类边界以评估特征效果，通过绘制验证曲线和训练曲线在调参过程中寻找最优参数，以及利用学习曲线理解训练数据集大小对模型性能的影响。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、绘制分类边界

绘制模型结果分类边界，能够从可视化的角度，查看当前的特征分类效果如何

import numpy as np
import pandas as pd
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt
from sklearn.linear_model import LogisticRegression
from sklearn.naive_bayes import GaussianNB
from sklearn.model_selection import train_test_split,cross_val_score
from funct import Plt_classifier,Plt_confusion_matrix
from sklearn.metrics import f1_score,confusion_matrix,classification_report


iris_data = load_iris()
features = iris_data.data[:,0:2] #矩阵切片,只要两个变量  注意数组切片为[,:,]
labels = iris_data.target
features_train,features_test,labels_train,labels_test = train_test_split(features,
                                                                         labels , test_size = 0.3,random_state = 0)


#前面的函数有一些输入参数需要设置，但是最重要的两个参数是solver和C。参数solver
#用于设置求解系统方程的算法类型，参数C表示正则化强度，数值越大，惩罚值越高，表示正则化强度越大。
classifier = LogisticRegression(solver = 'liblinear', C = 10)
logistic =