分類準確度
以sklearn中的手寫數字datasets.load_digits為例，其是8*8的圖形，具有64個特徵值，類別由0到9
我們挑選出666這個圖形，將其視覺化
x = digits.data
some_digit = x[666]
some_digit_image = some_digit.reshape(8,8)
plt.imshow(some_digit_image,cmap = matplotlib.cm.binary)
將比例設定成0.2，k=3
將**到的結果放到y_predict中
y_predict = my_knn_clf.predict(x_test)在pc中寫入metrics.py，其中寫入**將準確度計算也封裝起來
import numpy as np
def accuracy_score(y_true, y_predict):
"「」計算準確率「」"
assert y_true.shape[0] == y_predict.shape[0], \
"this size of y_true must be equal to the size of y_predict"
return sum(y_true == y_predict) / len(y_true)
方便起見，我們直接將準確度計算放到knn演算法中一併封裝
由於我們對演算法進行了改動，可能導致現在再執行的話，演算法裡面並沒有現在我們新新增的內容，因此我們需要重新啟動並執行所有**塊
我們就可以直接使用score得到準確度，而不是需要先對資料進行處理
與前筆記中對sklearn資料集操作同理
注意：隨機種子設定為666
4 4 分類準確度
分類準確度的計算方式 分類正確的樣本數 總樣本數 新加了score x test,y test 函式,不關心predict的具體值是多少 predict函式在score中呼叫 只關心模型的準確度 from sklearn.neighbors import kneighborsclassifier i...
03 分類準確度
在本文中，我們首先會再使用這樣的思路用我們的 knn 演算法在另外乙個更大一些的資料集上進行測試。與此同時，我們進一步來封裝 accuracy，同時也學習 sklearn 中分類的準確度相應的呼叫方式。最後，我們真正使用我們的測試資料集測試出的模型的結果來看，所謂的模型選擇是怎麼回事？在這個過程中，...
3 邏輯回歸 分類準確度
準確的有 0,0 1,1 其餘的都是 錯誤的點 from sklearn.metrics import confusion matrix 引入混淆矩陣 confusion matrix y test,y predict from sklearn.metrics import precision sc...