k近邻算法-2.模型评估与选择

墨蓝 2023-08-17 16:44 91阅读 0赞

# 模型评估与选择 #

*如何评价一个算法的性能？*  
将所有样本数据作为训练数据集参与模型的创建，得到的模型如果很差，在真实环境中会造成损失，而真实环境难以拿到真实的归类。此时我们需要将所有的样本数据分类，一部分作为训练数据集，一部分作为测试数据集，这样可以检测模型的泛化能力从而对算法做出改进。  
![1465169-20190712211300447-378354874.png][]

## train\_test\_split ##

将数据集分割，一部分作为训练数据集，一部分作为测试数据集。此方法为留出法。

### 从机器学习库中加载数据集(鸢尾花数据集) ###

import matplotlib.pyplot as plt
    import numpy as np
    from sklearn import datasets
    
    iris = datasets.load_iris()
    x = iris.data
    y = iris.target

![1465169-20190712211339691-1228721765.png][]

鸢尾花数据集共有150个样本，每个样本有四个特征，为鸢尾花的叶片和花瓣特征，对应三种不同的鸢尾花类别，其数据集描述如下：  
![1465169-20190712211356659-274080304.png][]

每个数据样本对应的花类别结果：  
![1465169-20190712211410006-763705464.png][]

怎么分割？此鸢尾花数据是按花种类顺序排列的，如果取前一部分或者后一部分的一部分样本作为训练集，训练模型泛化能力会很差，所以此处需要将数据索引随机打乱

#用random中的permutation 对数据索引进行打乱
    shuffle_index = np.random.permutation(len(x))

![1465169-20190712211435025-1569741955.png][]

训练数据和测试数据分类，取20%的数据作为测试数据集

# 规定测试数据和训练数据的分配比例
    test_ratio = 0.2
    test_size = int(len(x) * test_ratio)
    
    test_index = shuffle_index[:test_size]
    train_index = shuffle_index[test_size:]
    
    x_train = x[train_index]
    x_test = x[test_index]
    y_train = y[train_index]
    y_test = y[test_index]

![1465169-20190712211450962-1779417127.png][]

## scikit-learn中的train\_test\_split ##

# 从sklearn中的model_selection导入 训练_测试_数据集分离
    from sklearn.model_selection import train_test_split
    # 返回训练的样本，和测试的样本
    x_train,x_test,y_train,y_test = train_test_split(x, y, test_size=0.2, random_state=600) 
    #random_state 指定随机数种子，结果可重复

## 注：mac系统python相关路径操作 ##

# 编辑.bash_profile文件，增加环境变量PYTHONPATH,--->python包的路径，用冒号分割
    
    # vim ~/.bash_profile
    # PYTHONPATH="${PYTHONPATH}:/Users/yuxiaolong/人工智能/packets"
    # export PYTHONPATH

# Setting PATH for Python 3.7  ---->python程序的执行路径
    # The original version is saved in .bash_profile.pysave
    
    #PATH="/Library/Frameworks/Python.framework/Versions/3.7/bin:${PATH}"
    #export PATH

转载于:https://www.cnblogs.com/shuai-long/p/11178432.html

[1465169-20190712211300447-378354874.png]: /images/20230809/97707c8fb37442b4b5d3c9e831577625.png
[1465169-20190712211339691-1228721765.png]: /images/20230809/03e775882be64806986143e3b645e964.png
[1465169-20190712211356659-274080304.png]: /images/20230809/888ff8ef09ba47f79ad79bf4329eaddc.png
[1465169-20190712211410006-763705464.png]: /images/20230809/f964fef5051740c99d7b92b2ac1f7a8f.png
[1465169-20190712211435025-1569741955.png]: /images/20230809/13e6657769944b55924ade0c4c5b02e9.png
[1465169-20190712211450962-1779417127.png]: /images/20230809/4c92bb2f29934098aba868f87c9e68ff.png