习题 关于sklearn(第十五周)

本篇博客通过创建一个包含至少1000个样本和10个特性的分类数据集,运用10重交叉验证进行数据拆分。接着,分别训练了GaussianNB、SVC(RBF内核,尝试不同C值)和RandomForestClassifier(尝试不同n_estimators值)三种算法,并使用准确性、F1-score和AUC ROC作为评估指标,详细探讨了这些算法在该数据集上的表现。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

题目:

1 创建分类数据集(要求:样本数≥1000,特性≥10)

2 使用10重交叉验证拆分数据集

3 训练算法:

    GaussianNB算法

    SVC算法(C的可能值:[1e-02,1e-01,1e00,1e01,1e02],RBF内核)

    RandomForestClassifier算法(n估计值的可能值:[10,100,1000])

4 评估交叉验证的性能:

    准确性

    F1-score

    AUC ROC


代码:

from sklearn import datasets, cross_validation  
from sklearn.naive_bayes import GaussianNB  
from sklearn.svm import SVC  
from sklearn.ensemble import RandomForestClassifier  
from sklearn import metrics  
  
def evaluate(y_test, pred, method):  
    acc = metrics.accuracy_score(y_test, pred)  
    f1 = metrics.f1_score(y_test, pred)  
    auc = metrics.roc_auc_score(y_test, pred)  
    print(method + ":")  
    print("\nacc: ")  
    print(acc)  
    print("\nf1: ")  
    print(f1)  
    print("\nauc: ")  
    print(auc)  
    print("\n")  
  
dataset = datasets.make_classification(n_samples=1000,   
    n_features=10,n_informative=2,   
    n_redundant=2, n_repeated=0, n_classes=2)  
  
kf = cross_validation.KFold(1000, n_folds=10, shuffle=True)  
for train_index, test_index in kf:  
    X_train, y_train = dataset[0][train_index], dataset[1][train_index]  
    X_test, y_test = dataset[0][test_index], dataset[1][test_index]  
   
clf = GaussianNB()  
clf.fit(X_train, y_train)  
pred = clf.predict(X_test)  
evaluate(y_test,pred,"naive_bayes")  
  
C_values = [1e-02, 1e-01, 1e00, 1e01, 1e02]  
for C_value in C_values:  
    clf = SVC(C=C_value, kernel='rbf', gamma=0.1)  
    clf.fit(X_train, y_train)  
    pred = clf.predict(X_test)  
    evaluate(y_test,pred,"SVC, C_value= %s" % str(C_value))  
   
clf = RandomForestClassifier(n_estimators = 6)  
clf.fit(X_train, y_train)  
pred = clf.predict(X_test)  
evaluate(y_test,pred,"RandomForestClassifier")


结果:


















评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值