sklearn交叉验证函数cross |
您所在的位置：网站首页 › models好吗 › sklearn交叉验证函数cross |
sklearn交叉验证函数cross
|
文章目录
一 、使用示例二、参数含义三、常见的scoring取值1.分类、回归和聚类scoring参数选择2.f1_micro和f1_macro区别3.负均方误差和均方误差
一 、使用示例
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn import svm
from sklearn.model_selection import cross_val_score
target=odata["target"]
X=odata.drop(columns="target")
clf = svm.SVC(kernel='linear', C=1)
scores = cross_val_score(clf,X,target, cv=5,scoring = "neg_mean_squared_error")
cross_val_score(estimator, X, y,, scoring=None, cv=None, n_jobs=None, verbose=0, fit_params=None, pre_dispatch="2*n_jobs")
二、参数含义
参数解释取值estimator使用的模型实例实例化模型（SVM,XGBoost，DBDT）X, y自变量，标签值数据集soring评估效果取值下表详述cv交叉验证时迭代次数整数n_jobs同时工作的cpu个数（-1代表全部）[-1,1,2…]verbose日志冗长度-int冗长度0：不输出训练过程，1：偶尔输出，>1：对每个子模型都输出fit_params传递给估计器的拟合方法的参数-pre_dispatch控制并行执行期间调度的作业数量。减少这个数量对于避免在CPU发送更多作业时CPU内存消耗的扩大是有用的。“2*n_jobs”/数值
三、常见的scoring取值
下两个网址可以帮助理解 https://zhuanlan.zhihu.com/p/509437755 https://scikit-learn.org/stable/modules/model_evaluation.html#scoring-parameter 取值含义‘accuracy’准确度‘precision’精度‘f1’f1_score对于二进制目标‘f1_micro’微观F1‘f1_macro’宏F1，二分类使用Accuracy和F1-score，多分类使用Accuracy和宏F1。‘recall’召回率‘roc_auc’AUC值neg_log_lossneg_log_loss损失，结果越接近0，表示损失越小，模型效果越好,对数似然函数 Log_loss是一种直接根据概率预测结果衡量损失的函数，和逻辑回归中的损失函数类似。对数似然函数直接指向模型最优化方向，对于那些以最优化为目的求解模型的算法来说，会天然有较好的得分。比如逻辑回归、svm等，其中逻辑回归的损失函数就是对数似然。‘r2’R方，越大越好,R^2可以为负neg_mean_squared_error负均值平方误差，负数，越小越好，均方误差MSE的数值，其实就是neg_mean_squared_error去掉负号的数字neg_mean_absolute_error负绝对均值误差，MAE的负取值，现实中MSE和MAE选一个来使用就好了 1.分类、回归和聚类scoring参数选择 分类问题一般选择‘roc_auc’、‘neg_log_loss’、‘f1’等，根据实际需求选择。 回归问题一般选择‘neg_mean_absolute_error、neg_mean_squared_error、‘r2’等 ，根据实际需求选择。 聚类：adjusted_rand_score、completeness_score等 2.f1_micro和f1_macro区别
虽然均方误差永远为正，但是sklearn中的参数scoring下，均方误差作为评判标准时，却是计算”负均方误差“（neg_mean_squared_error）。这是因为sklearn在计算模型评估指标的时候，会考虑指标本身的性质，均方误差本身是一种误差，所以被sklearn划分为模型的一种损失(loss)。在sklearn当中，所有的损失都使用负数表示，因此均方误差也被显示为负数了。真正的均方误差MSE的数值，其实就是neg_mean_squared_error去掉负号的数字。 |
【本文地址】
今日新闻 |
推荐新闻 |