数据分析成长之路

SVM模型中需要调参的一般为C和kernel，但是kernel99%都是选择’rbf’（径向基核函数，也就是高斯核函数），所以一般只需要对C进行调参。参数C是SVM近似线性可分情况下松弛因子的参数，原理上C值越小越好from sklearn.svm import SVCfrom sklearn.model_selection import cross_val_score# 创建选择最优...

随机森林调参的基本思路首先确定各个参数大概的选择范围，形成参数字典使用sklearn的RandomizedSearchCV（类似于寻找犯罪嫌疑人）（随机在于节省时间，不用地毯式遍历）利用参数字典中的参数对模型进行训练得到随机参数下最佳参数组以最佳参数组为标准上下取值，形成新的参数选择范围和对应的参数字典使用sklearn的GridSearchCV（类似于在犯罪嫌疑人中找到真正的罪犯）（...

最常用的决策树预剪枝参数有两个：min_samples_split : 决策树某个节点的数据量小于该值时停止下分（注意该参数不能为1）max_depth：决策树的最大深度# 最基本的决策树模型生成from sklearn import treedtc = tree.DecisionTreeClassifier() # 回归决策树同理dtc.fit(x_train, y_tra...

from sklearn.linear_model import LogisticRegressionfrom sklearn.model_selection import cross_val_score# 创建选择最优参数C的模型def select_c_function(i): # 将含有参数的模型实例化 lr = LogisticRegression(C=i, penalty...