📔
liu_yu_bo_play_with_machine_learning
  • README
  • src
    • Introduction
    • Summary
    • Chapter10
      • 第十章:评价分类结果
    • Chapter10
      • 10-2 精确率和召回率
    • Chapter10
      • 10-3 实现混淆矩阵、精准率、召回率
    • Chapter10
      • 10-4 F1 score
    • Chapter10
      • 10-5 Precision-Recall平衡
    • Chapter10
      • 10-6 precision-recall曲线
    • Chapter10
      • 10-7 ROC曲线
    • Chapter10
      • 10-8 多分类问题中的混淆矩阵
    • Chapter11
      • 11-1 什么是支撑向量机
    • Chapter11
      • 11-2 支撑向量机的推导过程
    • Chapter11
      • 11-3 Soft Margin和SVM的正则化
    • Chapter11
      • 11-4 scikit-leran中的SVM
    • Chapter11
      • 11-5 SVM中使用多项式特征
    • Chapter11
      • 11-6 什么是核函数
    • Chapter11
      • 11-7 高斯核函数
    • Chapter11
      • 11-8 scikit-learn中的高斯核函数
    • Chapter11
      • 11-9 SVM思想解决回归问题
    • Chapter12
      • 第十二章:决策树
    • Chapter12
      • 12-2 信息熵
    • Chapter12
      • 12-3 使用信息寻找最优划分
    • Chapter12
      • 12-4 基尼系数
    • Chapter12
      • 12-5 CART和决策树中的超参数
    • Chapter12
      • 12-6 决策树解决回归问题
    • Chapter12
      • 12-7 决策树的局限性
    • Chapter13
      • 第十三章:集成学习和随机森林
    • Chapter13
      • 13-2 soft voting
    • Chapter13
      • 13-3 bagging和pasting
    • Chapter13
      • 13-4 更多关于bagging的讨论
    • Chapter13
      • 13-5 随机森林和extra-trees
    • Chapter13
      • 13-6 ada boosting和gradiesnt boosting
    • Chapter13
      • 13-7 Stacking
    • Chapter4
      • KNN - K近邻算法 - K-Nearest Neighbors
    • Chapter4
      • 4-1
    • Chapter4
      • 4-2
    • Chapter4
      • 4-3 训练数据集,测试数据集
    • Chapter4
      • 4-4 分类准确度
    • Chapter4
      • 4-5
    • Chapter4
      • 4-6 网格搜索
    • Chapter4
      • 4-7
    • Chapter4
      • 4-8 scikit-learn中的Scaler
    • Chapter4
      • 4-9 更多有关K近邻算法的思考
    • Chapter5
      • 线性回归算法
    • Chapter5
      • 5-1
    • Chapter5
      • 5-10 线性回归的可解释性和更多思考
    • Chapter5
      • 5-2 最小二乘法
    • Chapter5
      • 5-3 简单线性回归的实现
    • Chapter5
      • 5-4 参数计算向量化
    • Chapter5
      • 5-5 衡量线性回归算法的指标
    • Chapter5
      • 5-6 最好的衡量线性回归法的指标 R Squared
    • Chapter5
      • 5-7 简单线性回归和正规方程解
    • Chapter5
      • 5-8 实现多元线性回归
    • Chapter5
      • 5-9 scikit-learn中的回归算法
    • Chapter6
      • 第六章:梯度下降法
    • Chapter6
      • 6-2 模拟实现梯度下降法
    • Chapter6
      • 6-3 多元线性回归中的梯度下降法
    • Chapter6
      • 6-4 在线性回归模型中使用梯度下降法
    • Chapter6
      • 6-5 梯度下降的向量化
    • Chapter6
      • 6-6 随机梯度下降
    • Chapter6
      • 6-7 代码实现随机梯度下降
    • Chapter6
      • 6-8 调试梯度下降法
    • Chapter6
      • 6-9 有关梯度下降法的更多深入讨论
    • Chapter7
      • 主成分分析法 PCA Principal Component Analysis
    • Chapter7
      • 7-1
    • Chapter7
      • 7-2 使用梯度上升法求解主成分分析问题
    • Chapter7
      • 7-3 代码实现主成分分析问题
    • Chapter7
      • 7-4 求数据的前N个主成分
    • Chapter7
      • 7-5 高维数据向低维数据映射
    • Chapter7
      • 7-6 scikit learn中的PCA
    • Chapter7
      • 7-7 MNIST数据集
    • Chapter7
      • 7-8 使用PCA降噪
    • Chapter7
      • 7-9 人脸识别和特征脸(未完成)
    • Chapter8
      • 第八章:多项式回归与模型泛化
    • Chapter8
      • 8-10 L1,L2和弹性网络
    • Chapter8
      • 8-2 scikit-learn中的多项式回归和pipeline
    • Chapter8
      • 8-3 过拟合和欠拟合
    • Chapter8
      • 8-4 为什么要训练数据集和测试数据集
    • Chapter8
      • 8-5 学习曲线
    • Chapter8
      • 8-6 验证数据集与交叉验证
    • Chapter8
      • 8-7 偏差方差权衡 Bias Variance Trade off
    • Chapter8
      • 8-8 模型正则化 Regularization
    • Chapter8
      • 8-9 LASSO Regularization
    • Chapter9
      • 第九章:逻辑回归
    • Chapter9
      • 9-2 逻辑回归的损失函数
    • Chapter9
      • 9-3 逻辑回归算法损失函数的梯度
    • Chapter9
      • 9-4 实现逻辑回归算法
    • Chapter9
      • 9-5 决策边界
    • Chapter9
      • 9-6 在逻辑回归中使用多项式特征
    • Chapter9
      • 9-7 scikit-learn中的逻辑回归
    • Chapter9
      • 9-8 OvR与OvO
Powered by GitBook
On this page
  • 代码实现
  • 测试train_test_split
  • 使用交叉验证
  • 回顾网格搜索
  1. src
  2. Chapter8

8-6 验证数据集与交叉验证

PreviousChapter8NextChapter8

Last updated 5 years ago

问题:发生了过拟合成不自知

解决方法:train test split 训练数据集:训练模型 测试数据集:调整超参数 问题:针对特定测试数据集过拟合?

解决方法:训练 - 验证 - 测试

训练数据集:训练模型 验证数据集:调整超参数 测试数据集:不参数模型创建,作为衡量最终模型性能的数据集 问题:随机?一旦验证数据集有异常数据,就会导致模型不准确

解决方法:交叉验证

代码实现

import numpy as np
from sklearn import datasets

digits = datasets.load_digits()
X = digits.data
y = digits.target

测试train_test_split

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.4, random_state=666)

from sklearn.neighbors import KNeighborsClassifier

best_score, best_k, best_p = 0,0,0
for k in range(2, 11):
    for p in range(1, 6):
        knn_clf = KNeighborsClassifier(weights="distance", n_neighbors=k, p=p)
        knn_clf.fit(X_train, y_train)
        score = knn_clf.score(X_test, y_test)
        if score > best_score:
            best_score, best_k, best_p = score, k, p

print("best k = ", best_k)
print("best p = ", best_p)
print("best score = ", best_score)

输出结果: best k = 3 best p = 4 best score = 0.9860917941585535

使用交叉验证

from sklearn.model_selection import cross_val_score

knn_clf = KNeighborsClassifier()
cross_val_score(knn_clf, X_train, y_train)

输出结果: array([0.98895028, 0.97777778, 0.96629213])

from sklearn.neighbors import KNeighborsClassifier

best_score, best_k, best_p = 0,0,0
for k in range(2, 11):
    for p in range(1, 6):
        knn_clf = KNeighborsClassifier(weights="distance", n_neighbors=k, p=p, cv=3)
        scores = cross_val_score(knn_clf, X_train, y_train)
        score = np.min(scores)
        if score > best_score:
            best_score, best_k, best_p = score, k, p

print("best k = ", best_k)
print("best p = ", best_p)
print("best score = ", best_score)

输出结果: best k = 2 best p = 2 best score = 0.9823599874006478

train_test_split和交叉验证结果对比: 两种方法得到的best_k和best_p,通常认为使用交叉验证得到参数更可靠。 因为方法一得到的结果很有可能只是过拟合了那一组测试数据。 方法二的分数低于方法一,因为它没有过拟合某一组数据。

best_knn_clf = KNeighborsClassifier(weights="distance", n_neighbors=2, p=2)
best_knn_clf.fit(X_train, y_train)
best_knn_clf.score(X_test, y_test)

输出结果:0.980528511821975

Note:这个算法最终的分类准确度不是上面的0.9823,而是这里的0.9805

回顾网格搜索

from sklearn.model_selection import GridSearchCV

param_grid = [
    {   
        'weights':['distance'],
        'n_neighbors': [i for i in range(2, 11)],
        'p': [i for i in range(1, 6)]
    }
]

from sklearn.neighbors import KNeighborsClassifier
knn_clf = KNeighborsClassifier()
grid_search = GridSearchCV(knn_clf, param_grid, cv=3)
grid_search.fit(X_train, y_train)

输入:grid_search.best_score_ 输出:0.9823747680890538

输入:grid_search.best_params_ 输出:{'n_neighbors': 2, 'p': 2, 'weights': 'distance'}

输入:

best_knn_clf = grid_search.best_estimator_
best_knn_clf.score(X_test, y_test)

输出:0.980528511821975

使用网络搜索与使用交叉验证得到的结果相同。