目錄
- 1.數(shù)據(jù)分離與驗(yàn)證
- 1.1分離訓(xùn)練數(shù)據(jù)集和評(píng)估數(shù)據(jù)集
- 1.2K折交叉驗(yàn)證分離
- 1.3棄一交叉驗(yàn)證分離
- 1.4重復(fù)隨機(jī)分離評(píng)估數(shù)據(jù)集與訓(xùn)練數(shù)據(jù)集
- 2.算法評(píng)估
- 2.1分類算法評(píng)估
- 2.1.1分類準(zhǔn)確度
- 2.1.2分類報(bào)告
- 2.2回歸算法評(píng)估
- 2.2.1平均絕對(duì)誤差
- 2.2.2均方誤差
- 2.2.3判定系數(shù)（
）
1.數(shù)據(jù)分離與驗(yàn)證
要知道算法模型對(duì)未知的數(shù)據(jù)表現(xiàn)如何，最好的評(píng)估辦法是利用已經(jīng)明確知道結(jié)果的數(shù)據(jù)運(yùn)行生成的算法模型進(jìn)行驗(yàn)證。此外還可以使用新的數(shù)據(jù)來評(píng)估算法模型。
在評(píng)估機(jī)器學(xué)習(xí)算法時(shí)，不將訓(xùn)練集直接作為評(píng)估數(shù)據(jù)集最直接的原因就是過度擬合。過度擬合是指為了得到一致性假設(shè)而變得過度嚴(yán)格，簡(jiǎn)單來說就是指模型僅對(duì)訓(xùn)練數(shù)據(jù)有較好的效果，而對(duì)于新數(shù)據(jù)則適應(yīng)性很差。
如圖所示是一個(gè)分類實(shí)例，綠色曲線表示過擬合，黑色曲線表示正常模型?？梢钥吹竭^擬合模型僅對(duì)當(dāng)前數(shù)據(jù)表現(xiàn)較好，而對(duì)新數(shù)據(jù)適應(yīng)性明顯不如正常模型。
接下來將講解四種不同的分離數(shù)據(jù)集的方法，用來分離訓(xùn)練集和評(píng)估集，并用其評(píng)估算法模型。
1.1分離訓(xùn)練數(shù)據(jù)集和評(píng)估數(shù)據(jù)集
可以簡(jiǎn)單地將原始數(shù)據(jù)集分為兩部分，第一部分用來訓(xùn)練算法生成模型，第二部分通過模型來預(yù)測(cè)結(jié)果，并于已知的結(jié)果進(jìn)行比較，來評(píng)估算法模型的準(zhǔn)確度。
from pandas import read_csv
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import KFold
from sklearn.model_selection import cross_val_score
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import LeaveOneOut
from sklearn.model_selection import ShuffleSplit
filename = 'pima_data.csv'
names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']
data = read_csv(filename, names=names)
# print(data.head(10))
array = data.values
X = array[:, 0:8]
Y = array[:, 8]
test_size = 0.33
seed = 4
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=test_size, random_state=seed)
model = LogisticRegression(max_iter=3000)
model.fit(X_train, Y_train)
result = model.score(X_test, Y_test)
print("算法評(píng)估結(jié)果：%3f%%" % (result * 100))
執(zhí)行后得到的結(jié)果約為80%。為了讓算法模型具有良好的可復(fù)用性，在指定了分離數(shù)據(jù)大小的同時(shí)，還指定了隨機(jī)粒度（seed=4），將數(shù)據(jù)隨即進(jìn)行分離。通過指定隨機(jī)的粒度，可以確保每次執(zhí)行程序得到相同的結(jié)果，這有助于比較兩個(gè)不同的算法生成模型的結(jié)果。
算法評(píng)估結(jié)果：80.314961%
1.2K折交叉驗(yàn)證分離
K折交叉驗(yàn)證是將原始數(shù)據(jù)分成K組（一般是均分）,將第一部分作為測(cè)試集，其余作為訓(xùn)練集，訓(xùn)練模型，計(jì)算模型在測(cè)試集上的準(zhǔn)確率，每次用不同部分作為測(cè)試集，重復(fù)上述步驟K次，最后將平均準(zhǔn)確率作為最終的模型準(zhǔn)確率。
# K折交叉驗(yàn)證分離
num_folds = 10
seed = 7
kfold = KFold(n_splits=num_folds, random_state=seed,shuffle=True)
model = LogisticRegression(max_iter=3000)
result = cross_val_score(model, X, Y, cv=kfold)
print("算法評(píng)估結(jié)果：%.3f%% (%.3f%%)" % (result.mean() * 100, result.std() * 100))
執(zhí)行后得到評(píng)估得分及標(biāo)準(zhǔn)方差。
算法評(píng)估結(jié)果：77.216% (4.968%)
1.3棄一交叉驗(yàn)證分離
相較于K折交叉驗(yàn)證分離，棄一交叉驗(yàn)證有顯著優(yōu)點(diǎn)：
- 每一回合中幾乎所有樣本你皆用于訓(xùn)練模型，因此最接近原始樣本的分布，這樣評(píng)估所得的結(jié)果比較可靠。
- 實(shí)驗(yàn)過程中沒有隨機(jī)因素會(huì)影響實(shí)驗(yàn)數(shù)據(jù)，確保實(shí)驗(yàn)過程可重復(fù)。
但棄一交叉驗(yàn)證計(jì)算成本高，當(dāng)原始數(shù)據(jù)樣本數(shù)量多時(shí)，棄一交叉驗(yàn)證需要花費(fèi)大量時(shí)間完成評(píng)估。
# 棄一交叉驗(yàn)證分離
# 計(jì)算量非常大!!
loocv = LeaveOneOut()
model = LogisticRegression(max_iter=3000)
result = cross_val_score(model,X,Y,cv = loocv)
print("算法評(píng)估結(jié)果：%.3f%% (%.3f%%)"% (result.mean()*100,result.std()*100))
運(yùn)算得出的標(biāo)準(zhǔn)方差與K折交叉驗(yàn)證有較大差距。
算法評(píng)估結(jié)果：77.604% (41.689%)
1.4重復(fù)隨機(jī)分離評(píng)估數(shù)據(jù)集與訓(xùn)練數(shù)據(jù)集
另外一種K折交叉驗(yàn)證的用途是隨即分離數(shù)據(jù)為訓(xùn)練數(shù)據(jù)集和評(píng)估數(shù)據(jù)集。
n_splits = 10
test_size = 0.33
seed = 7
kfold = ShuffleSplit(n_splits=n_splits, test_size=test_size, random_state=seed)
model = LogisticRegression(max_iter=3000)
result = cross_val_score(model, X, Y, cv=kfold)
print("算法評(píng)估結(jié)果：%.3f%% (%.3f%%)" % (result.mean() * 100, result.std() * 100))
算法評(píng)估結(jié)果：76.535% (2.235%)
2.算法評(píng)估
2.1分類算法評(píng)估
2.1.1分類準(zhǔn)確度
分類準(zhǔn)確度就是算法自動(dòng)分類正確的樣本數(shù)除以所有的樣本數(shù)得出的結(jié)果。準(zhǔn)確度是一個(gè)很好、很直觀的評(píng)價(jià)指標(biāo)，但是有時(shí)候準(zhǔn)確度高并不代表算法就一定好。
from pandas import read_csv
import pandas as pd
from sklearn.model_selection import KFold
from sklearn.model_selection import cross_val_score
#分類準(zhǔn)確度
filename = 'pima_data.csv'
names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']
data = read_csv(filename,names=names)
#print(data.head(10))
#將數(shù)據(jù)分為輸入數(shù)據(jù)和輸出結(jié)果
array = data.values
X = array[:,0:8]
Y = array[:,8]
num_folds = 10
seed = 7
kfold = KFold(n_splits=num_folds,random_state=seed,shuffle=True)
model = LogisticRegression(max_iter=3000)
result = cross_val_score(model, X,Y,cv=kfold)
print("算法評(píng)估結(jié)果準(zhǔn)確度：%.3f(%.3f)" % (result.mean(),result.std()))
算法評(píng)估結(jié)果準(zhǔn)確度：0.772(0.050)
2.1.2分類報(bào)告
在scikit-learn中提供了一個(gè)非常方便的工具，可以給出對(duì)分類問題的評(píng)估報(bào)告，Classification__report()方法能夠給出precision,recall,F1-score,support。
from pandas import read_csv
import pandas as pd
from sklearn.model_selection import KFold
from sklearn.metrics import classification_report
#分類準(zhǔn)確度
filename = 'pima_data.csv'
names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']
data = read_csv(filename,names=names)
print(data.head(10))
#將數(shù)據(jù)分為輸入數(shù)據(jù)和輸出結(jié)果
array = data.values
X = array[:,0:8]
Y = array[:,8]
num_folds = 10
seed = 7
kfold = KFold(n_splits=num_folds,random_state=seed,shuffle=True)
model = LogisticRegression(max_iter=3000)
model.fit(X_train,Y_train)
predicted = model.predict(X_test)
report = classification_report(Y_test, predicted)
print(report)
precision recall f1-score support
0.0 0.84 0.87 0.86 171
1.0 0.71 0.66 0.69 83
accuracy 0.80 254
macro avg 0.78 0.77 0.77 254
weighted avg 0.80 0.80 0.80 254
2.2回歸算法評(píng)估
回歸算法評(píng)估將使用波士頓房?jī)r(jià)（Boston House Price）數(shù)據(jù)集。可通過百度網(wǎng)盤下載
鏈接：https://pan.baidu.com/s/1uyDiXDC-ixfBIYmTU9rrAQ
提取碼：eplz
2.2.1平均絕對(duì)誤差
平均絕對(duì)誤差是所有單個(gè)觀測(cè)值與算術(shù)平均值偏差絕對(duì)值的平均值。平均絕對(duì)誤差相比于平均誤差能更好地反映預(yù)測(cè)值誤差的實(shí)際情況。
cross_val_score中的scoring參數(shù)詳解可見官方開發(fā)文檔
https://scikit-learn.org/stable/modules/model_evaluation.html#scoring-parameter
from pandas import read_csv
from sklearn.model_selection import KFold
from sklearn.model_selection import cross_val_score
from sklearn.linear_model import LinearRegression
filename = 'housing.csv'
names = ['CRIM','ZN','INDUS','CHAS','NOX','RM','AGE','DIS','RAD','TAX','PRTATIO','B','LSTAT','MEDV']
data = read_csv(filename,names=names,delim_whitespace=True)
array = data.values
X = array[:,0:13]
Y = array[:,13]
n_splits = 10
seed = 7
kfold = KFold(n_splits=n_splits,random_state=seed,shuffle=True)
model = LinearRegression()
#平均絕對(duì)誤差
scoring = 'neg_mean_absolute_error'
result = cross_val_score(model, X, Y, cv=kfold, scoring=scoring)
print('MAE:%.3f(%.3f)'% (result.mean(),result.std()))
MAE:-3.387(0.667)
2.2.2均方誤差
均方誤差是衡量平均誤差的方法，可以評(píng)價(jià)數(shù)據(jù)的變化程度。均方根誤差是均方誤差的算術(shù)平均跟。均方誤差越小，說明用該預(yù)測(cè)模型描述實(shí)驗(yàn)數(shù)據(jù)準(zhǔn)確度越高。
#均方誤差
scoring = 'neg_mean_squared_error'
result = cross_val_score(model, X, Y, cv=kfold, scoring=scoring)
print('MSE:%.3f(%.3f)'% (result.mean(),result.std()))
MSE:-23.747(11.143)
2.2.3判定系數(shù)（）
判定系數(shù)（coefficient of determination），也叫可決系數(shù)或決定系數(shù)，是指在線性回歸中，回歸平方和與總離差平方和之比值，其數(shù)值等于相關(guān)系數(shù)的平方。
#決定系數(shù)
scoring = 'r2'
result = cross_val_score(model, X, Y, cv=kfold, scoring=scoring)
print('R2:%.3f(%.3f)'% (result.mean(),result.std()))
R2:0.718(0.099)
K折交叉驗(yàn)證是用來評(píng)估機(jī)器學(xué)習(xí)算法的黃金準(zhǔn)則。黃金準(zhǔn)則為：當(dāng)不知如何選擇分離數(shù)據(jù)集的方法時(shí)，選擇K折交叉驗(yàn)證來分離數(shù)據(jù)集；當(dāng)不知如何設(shè)定K值時(shí)，將K設(shè)為10。
到此這篇關(guān)于Python機(jī)器學(xué)習(xí)入門(四)選擇模型的文章就介紹到這了,更多相關(guān)Python機(jī)器學(xué)習(xí)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- Python機(jī)器學(xué)習(xí)入門(一)序章
- Python機(jī)器學(xué)習(xí)入門(二)之Python數(shù)據(jù)理解
- Python機(jī)器學(xué)習(xí)入門(三)之Python數(shù)據(jù)準(zhǔn)備
- Python機(jī)器學(xué)習(xí)入門(五)之Python算法審查
- Python機(jī)器學(xué)習(xí)入門(六)之Python優(yōu)化模型
- python機(jī)器學(xué)習(xí)高數(shù)篇之函數(shù)極限與導(dǎo)數(shù)
