练习使用交叉验证对水果分类模型进行调参_第1页
练习使用交叉验证对水果分类模型进行调参_第2页
练习使用交叉验证对水果分类模型进行调参_第3页
练习使用交叉验证对水果分类模型进行调参_第4页
练习使用交叉验证对水果分类模型进行调参_第5页
全文预览已结束

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

kNN,逻辑回归及SVM。对应的超参数为:kNNn_neighbors及闵式距离的p逻辑回归的正则项系数CSVM的正则项系数C3 fruit_data.csv,595mass:水果质量width:水果的宽度height:水果的高度color_score0-10.851.000.750.85:橙色0.650.75:黄色0.450.65:绿色如图所示: /color_score.jpg#数据 地址 *问题拆解提示:1*问题解决提示:1.使用scikit-learn中的网格搜索GridSearchCV()(*estimator*param_grid*cv#-*-coding:utf-8-*-importpandasaspdfromsklearn.model_selectionimporttrain_test_split,GridSearchCVfromsklearn.neighborsimportKNeighborsClassifierfromsklearn.linear_modelimportLogisticRegressionfromsklearn.svmimportSVCCATEGRORY_LABEL_DICT= 'mandarin': }#使用的特征列FEAT_COLS=['mass','width','height',defmain():fruit_data=#处理样本的字符串,添加label一列作为预测fruit_data['label']=#4列水果的属性作为样本特征Xfruit_data[FEAT_COLS].values#label列为样本y=#划分数据集X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=1/5,#建立kNN、逻辑回归和SVMmodel_dict={'kNN':{'n_neighbors':[5,15,'p':[1,'LogisticRegression':{'C':[1e-2,1,'SVM':{'C':[1e-2,1,}formodel_name(model,model_params)inmodel_dict.items():#1.使用网格搜索为模型选择最优的超参数clf=GridSearchCV(estimator=model,param_grid=model_params,cv=3)clf.fit(X_train,y_train)best_model=#验证acc=best_model.score(X_test,print('{}模型的预测准确率:{:.2f}%'.format(model_name,acc*100))print('{}模型的最

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论