GridSearchCV交叉驗證

2022-05-06 13:21:13 字數 2231 閱讀 4361

**實現（基於邏輯回歸演算法）：

1


#-*- coding: utf-8 -*-


2"""


3created on sat sep 1 11:54:48 201845


@author: zhen67


交叉驗證


8"""


9import


numpy as np


10from sklearn import


datasets


11from sklearn.linear_model import


logisticregression


12from sklearn.model_selection import


gridsearchcv


13import


matplotlib.pyplot as plt


1415 iris =datasets.load_iris()


16 x = iris['


data


'][:, 3:]


17 y = iris['


target']


1819


20def report(results, n_top=3):


21for i in range(1, n_top + 1):


22 candidates = np.flatnonzero(results['


rank_test_score


'] ==i)


23for candidate in


candidates:


24print("


model with rank: 


".format(i))


25print("


mean validation score: (std: )


".format(


26 results['


mean_test_score


'][candidate],


27 results['


std_test_score


'][candidate]))


28print("


parameters: 


".format(results['


params


'][candidate]))


29print("")30


3132 param_grid = 


3334 log_reg = logisticregression(multi_class='


ovr', solver='


sag')35


#採用3折交叉驗證


36 grid_search = gridsearchcv(log_reg, param_grid=param_grid, cv=3)


37grid_search.fit(x, y)


3839


report(grid_search.cv_results_)


4041 x_new = np.linspace(0, 3, 1000).reshape(-1, 1)


42 y_proba =grid_search.predict_proba(x_new)


43 y_hat =grid_search.predict(x_new)


4445 plt.plot(x_new, y_proba[:, 2], '


g-', label='


iris-virginica')


46 plt.plot(x_new, y_proba[:, 1], '


r-', label='


iris-versicolour')


47 plt.plot(x_new, y_proba[:, 0], '


b-', label='


iris-setosa')


48plt.show()


4950


print(grid_search.predict([[1.7], [1.5]]))
結果：

總結：使用交叉驗證可以實現**自動對設定範圍引數的模型進行分別訓練，最後選出效果最好的引數所訓練出的模型進行**，以求達到最好的**效果！

crossvalind Matlab 交叉驗證

matlab 交叉驗證 rel noopener noreferrer crossvalind matlab 交叉驗證 lujingyang1029 今天用到crossvalind.這個適用於crossvalidation。中文應該叫做交叉驗證。我主要想說說這個函式怎麼用的。舉個簡單的例子 p tr...

Keras基礎自學四（ sklearn交叉驗證）

from keras.models import sequential from keras.layers import dense import numpy as np from sklearn.model selection import cross val score from sklearn...

交叉學習驗證 西瓜書 機器學習必知必會 交叉驗證

當我們根據資料訓練出乙個機器學習模型時，我們希望它在新的資料上也保持較高的準備率，這就需要我們對學習到的不同模型有乙個模型評估準則。為了評估模型的泛化效能 指模型在未知資料上的 能力 防止模型落入 過擬合 的陷進。我們人為地將原始資料劃分為訓練集和測試集，前者用於訓練模型，後者用於評估模型的泛化效能...