机器学习使用sklearn进行模型训练、预测和评价

cross_val_score(model_name, x_samples, y_labels， cv=k)

作用：验证某个模型在某个训练集上的稳定性，输出k个预测精度。

K折交叉验证（k-fold）

把初始训练样本分成k份，其中（k-1）份被用作训练集，剩下一份被用作评估集，这样一共可以对分类器做k次训练，并且得到k个训练结果。

from sklearn.model_selection import cross_val_score
clf = sklearn.linear_model.LogisticRegression()
# X:features  y:targets  cv:k
cross_val_score(clf, X, y, cv=5)

模型的训练、预测和评价

def svm_model():
    from sklearn.metrics import accuracy_score
    from sklearn.metrics import precision_score, recall_score, f1_score
    from sklearn.svm import SVC
    # 模型训练
    clf = SVC(kernel='linear')
    clf.fit(x_train_samples, y_train_labels)
    # 模型存储
    joblib.dump(clf, './model/svm_mode.pkl')
    # 模型评估
    predict_labels = clf.predict(x_test_samples)
    Accuracy = accuracy_score(y_test_labels, predict_labels)
    Precision = precision_score(y_test_labels, predict_labels, pos_label=0)
    Recall = recall_score(y_test_labels, predict_labels, pos_label=0)
    F1_scores = f1_score(y_test_labels, predict_labels, pos_label=0)

整个过程结束。需要说明的是调用K折交叉验证，结果输出的是准确率，其它的指标不会输出。所以，建议还是前期，使用train_test_split()函数划分训练集和验证集，后期根据实际需求评估模型