首先匯入資料集forge()，畫出鄰居為1的情況的圖，橫縱軸均為特徵值
畫出鄰居為3的情況
匯入資料分好資料集與測試集-->例項化-->分類器進行擬合-->**-->評估
from sklearn.model_selection import train_test_split
x, y = mglearn.datasets.make_forge()
x_train, x_test, y_train, y_test = train_test_split(x, y, random_state=0)
from sklearn.neighbors import kneighborsclassifier
clf = kneighborsclassifier(n_neighbors=2)
clf.fit(x_train, y_train)
print("test set prediction: {}".format(clf.predict(x_test)))
print("test set accuracy: ".format(clf.score(x_test, y_test)))
用cancer資料集討論模型複雜度與泛化能力之間的關係
x_train, x_test, y_train, y_test = train_test_split(
cancer.data, cancer.target, stratify=cancer.target, random_state=66)
training_accuracy =
test_accuracy =
neighbors_settings = range(1, 11)
for n_neighbors in neighbors_settings:
'''構建模型'''
clf = kneighborsclassifier(n_neighbors=n_neighbors)
clf.fit(x_train, y_train)
# 記錄訓練集精度
# 記錄泛化精度
機器學習筆記 監督學習 無監督學習分類筆記
無監督學習 給出一資料組，並已知曉這組資料的對應關係，然後給出一組新的資料，嘗試對其進行 和分析，這裡注意，提前給出的資料組 data set 是已知內部的資料的對應關係，後面給出的新的資料，是要依據對之前資料的學習後，給出新的資料對應的 值。而對於 的結果的不同，又將監督學習分為分類 classf...
監督學習和無監督學習 監督學習與非監督學習
監督學習 supervised learning 的任務是學習乙個模型，使模型能夠對任意給定的輸入，對其相應的輸出做出乙個好的 即 利用訓練資料集學習乙個模型，再用模型對測試樣本集進行 例如kaggle上的鐵達尼號比賽。官方提供旅客資料 資料集1 姓名，年齡，性別，社會經濟階層，是否生存等 要求參賽...
監督學習 線性分類器
python 1 分割資料 部分資料用於做模型訓練 一般需要的資料量比較大，可以通過網上公開的資料來源，或者向企業獲取，或者自己爬蟲？一部分資料用於測試模型的準確度 用到sklearn.cross valiation裡的train test split函式 x train,x test,y trai...