機器學習 交叉驗證篩選引數K值和weight

導包

import numpy as np

from sklearn.neighbors import kneighborsclassifier
from sklearn import datasets
#model_selection ：模型選擇
# cross_val_score: 交叉 ，validation：驗證（測試）
#交叉驗證
from sklearn.model_selection import cross_val_score

x,y= datasets.load_iris(

true
)x.shape

一般情況不會超過資料的開方數

#參考

150**
0.5#k 選擇 1~13

knn = kneighborsclassifier(

)score = cross_val_score(knn,x,y,scoring=
'balanced_accuracy'
,cv=11)
score.mean(
)

errors =

for k in
range(1
,14):
knn = kneighborsclassifier(n_neighbors=k)
score = cross_val_score(knn,x,y, scoring=
'accuracy'
,cv =6)
.mean(
)#誤差越小 說明k選擇越合適 越好
1-score)
import matplotlib.pyplot as plt
%matplotlib inline
#k = 11時 誤差最小 說明最合適的k值
				
機器學習  交叉驗證
假設我們需要從某些候選模型中選擇最適合某個學習問題的模型，我們該如何選擇？以多元回歸模型為例 我們假設模型集合為有限集 假設樣本集為s，根據經驗風險最小化原則 erm 可能會使用這樣的演算法 1.在s上訓練每個模型 2.選擇訓練誤差最小的假設函式，即為我們需要的函式。然而，這樣的演算法實際上並不有效...
				
機器學習 交叉驗證
交叉驗證是最好的測試方法 乙個問題叫做交叉驗證，是指假設要將乙份資料拆分成訓練集和測試集，這個時候怎麼評估出它的誤差？交叉驗證是把集合拆成五份，取四份做訓練集 乙份做測試集，並且每次選擇不同的那乙份做測試級，最後測出五個結果再做平均，這被認為是最好的測試方法。交叉驗證確實是乙個還不錯的驗證的方法，但...
				
K折交叉驗證學習
交叉驗證主要用於防止模型過於複雜而引起的過擬合，是一種評價訓練資料的資料集泛化 能力的統計方法。其基本思想是將原始資料進行劃分，分成訓練集和測試集，訓練集用來對模型進行訓練，測試集用來測試訓練得到的模型，以此來作為模型的評價指標。講原始資料d按比例劃分，比如7 3，從資料集中隨機選取70 作為訓練集...