zoukankan      html  css  js  c++  java
  • 机器学习-分类算法-模型选择与调优09

    模型选择与调优
    交叉验证:为了让被评估的模型更加准确可信
    在这里插入图片描述
    在这里插入图片描述

    网格搜索
    在这里插入图片描述
    在这里插入图片描述

    from sklearn.neighbors import KNeighborsClassifier
    from sklearn.model_selection import train_test_split,GridSearchCV
    from sklearn.preprocessing import StandardScaler
    import pandas as pd
    
    
    
    def knncls():
        # k-近邻预测用户签到位置
        # 1,读取数据
        data = pd.read_csv("train.csv")
        # print(data.head(10))
        #,2,处理数据
        # 缩小数据,查询数据筛选
        data = data.query("x > 1.0 & x <1.25 & y >2.5 & y < 2.75")
        # 处理时间数据
        time_value = pd.to_datetime(data["time"],unit="s")
        # print(time_value)
        # 把日期格式转换成字典格式
        time_value = pd.DatetimeIndex(time_value)
        # 3,构造一些特征
        data["day"] = time_value.day
        data["hour"] = time_value.hour
        data["weekday"] = time_value.weekday
        # 把时间戳特征删除
        data = data.drop(["time"],axis=1) # sklearn中1表示列和pandas不一样
        # print(data)
        #把签到数量少于n个目标位置删除
        place_count = data.groupby("place_id").count()
        tf = place_count[place_count.row_id > 3].reset_index()
        data = data[data["place_id"].isin(tf.place_id)]
        data = data.drop(["row_id"],axis=1)
        print(data)
        # 取出数据当中的特征值和目标值
        y = data["place_id"]
        x = data.drop(["place_id"],axis=1)
    
        # 进行数据的分割 训练集和测试集
        x_train,x_test,y_train,y_test = train_test_split(x,y,test_size=0.25)
    
        # 特征工程(标准化)
        std = StandardScaler()
        # 对测试集和训练集的特征值进行标准化
        x_train = std.fit_transform(x_train)
        x_test = std.transform(x_test)
    
    
        # 进行算法流程 # 超参数
        knn = KNeighborsClassifier()
    
        # # fit,predict,score
        # knn.fit(x_train,y_train)
        # # 得出预测结果
        # y_predict = knn.predict(x_test)
        #
        # print("预测的目标签到位置为:",y_predict)
        #
        # # 得出准确率
        # print("预测的准确率:",knn.score(x_test,y_test))
    
        # 进行网格搜索
            # 构造一些参数的值进行搜索
        param = {"n_neighbors":[3,5,10]}
        gc = GridSearchCV(knn,param_grid=param,cv=10)
        gc.fit(x_train,y_train)
    
        # 预测准确率
        gc.score(x_test,y_test)
        print("在测试集上的准确率:",gc.score(x_test,y_test))
        print("在交叉验证中最好的结果:",gc.best_score_)
        print("最好的模型是:",gc.best_estimator_)
        print("每个超参数每次交叉验证的结果:",gc.cv_results_)
        return None
    
    
    
    
    
    
    if __name__=="__main__":
        knncls()
    
    

    在这里插入图片描述

  • 相关阅读:
    转 进程与线程的区别与联系
    DoEvents的应用及注意事项
    转:error LNK2001 错误
    基于UDP的简单的聊天程序
    VB提示:文件未找到:'c:\windows\sytem32\ieframe.dll\1'的解决方法
    VB PopupMenu方法
    转 vb中SetWindowsHookEx详细用法及举例
    Python批量转换txt文件为excel文件
    excel自动筛选后分别复制粘贴到新文件的解决办法
    文本编辑
  • 原文地址:https://www.cnblogs.com/gemoumou/p/14186289.html
Copyright © 2011-2022 走看看