1.分類モデルの予測精度率
予測精度#############################分類モデル############## ######################### 生成ツールを設定する＃インポートデータ sklearn.datasetsからはmake_blobsインポート ＃インポートnumpyのの AS輸入numpyのNPを 導入＃描画ツール インポートmatplotlibのを.pyplot PLTとして ＃200は、2つに分類するサンプル数を生成し、データの標準偏差が5セット 、X、Yは= make_blobs（N_SAMPLES = 200、random_state = 1、2 =センター、cluster_std = 5） ＃プロットスキャッタグラム PLTを.scatter（X- [:, 0]、X - 〔：1]、Y = C、= plt.cm.coolたCMap、にEdgeColor = 'K'） ＃表示画像 plt.show（）
＃インポートデータセット分割ツール
sklearn.model_selectionインポートtrain_test_splitのから
導入＃ベイズモデル
sklearn.naive_bayesインポートGaussianNBから
セットトレーニングセットおよび試験に＃データセット分割
X_train、X_test、y_train、y_test = train_test_split（X、Y 、random_state = 68）
＃トレーニングガウスベイズモデル
GNB = GaussianNB（）
gnb.fit（X_train、y_train）
＃ベイズガウス確率の分類精度得る
predict_proba = gnb.predict_proba（X_test）
結果＃プリントを
印刷（「予報形状精度:. {}「形式（predict_proba.shape ））
フォームの予測精度：（50、2）
精度印刷前＃5 印刷（predict_probaの[5]）
[0.98849996 0.01150004] [0.0495985 0.9504015] [0.01648034 0.98351966] [0.8168274 0.1831726] [0.00282471 0.99717529]
＃縦断面範囲設定 x_min、x_maxをX- = [：0] .min（） - 0.5、X- [:, 0] .MAX（）+ 0.5 y_min、y_maxをX- = [：1]。分（） - 0.5、X - 〔：1] .MAX（）+ 0.5 XX、YY = np.meshgrid（np.arange（x_min、x_maxを、0.2）、np.arange（y_min、y_maxを、0.2）） = Z gnb.predict_proba（np.c_ [xx.ravel（）、yy.ravelを（）]）：1] Z = Z.reshape（xx.shape） ＃描画輪郭 plt.contourf（XX、YY 、Z、CMapの= plt.cm.summer、アルファ= 0.8） ＃は、スキャッタグラムのプロット [：0] plt.scatter（X_train 、X_train [：1]、C = y_train、CMAP = plt.cm.coolを、にEdgeColor = 'K'） plt.scatter（X_test [：0]、X_test [：1]、C = android.permission.FACTOR、CMapの= plt.cm.cool、にEdgeColor = 'K'、アルファ= 0.6） ＃セットクロス長手方向の範囲 plt.xlim（xx.min（）、xx.max（）） plt.ylim（yy.min（）、yy.max（）） ＃縦軸と横部 plt.xticks（（）） PLT。 yticks（（）） ＃表示画像 plt.show（）
- 図ドットは、第1分類領域シアンの代表を試験サンプルデータセットを表し、レッドゾーンは、二つの領域、傾斜部の領域は、この領域のデータの途中で、第2分類を表します「曖昧」のポイントとなる点モデル
2.分類モデルの決意の係数
＃インポートSVCモデル sklearn.svmインポートのSVCから 模型に設定＃トレーニング SVC = SVC（ガンマ= '自動'）。フィット（X_train、y_train） ＃は、SVC取得するために係数を決定 dec_func = svc.decision_function（X_test） ＃プリント決定を最初の5枚の係数 プリント（dec_funcの[5]）
【0.02082432 0.87852242 1.01696254 -0.30356558 0.95924836]
= Svc.decision_function Z（np.c_ [xx.ravel（）、yy.ravel（）]） Z = Z.reshape（xx.shape） ＃描画輪郭 plt.contourf（XX、YY、Z、 CMAP = plt.cm.summer、アルファ= 0.8）は ＃プロットスキャッタグラム plt.scatter（X_train [：0] 、X_train [：1]、C = y_train、CMAP = plt.cm.cool、にEdgeColor = K」 '） plt.scatter（X_test [：0]、X_test [：1]、C = android.permission.FACTOR、CMapの= plt.cm.cool、にEdgeColor =' K」、アルファ= 0.6） ＃縦軸と横範囲 PLT。 XLIM（xx.min（）、xx.max（）） plt.ylim（yy.min（）、yy.max（））＃ 設定図タイトル plt.title（ 'SVCのdecision_function'） ＃縦軸と横部 PLT .xticks（（）） plt.yticks（（）） ＃表示画像 plt.show（）
- カテゴリは、これらの点は、勾配の領域で、逆に属するクラス2、次いで、モデルがデータ点がクラス1に属すると判断し、そのような各データポイントのシアン領域が配置されているより明らかなように、同じシアン及び赤領域で表されモデルはまた、「曖昧」ポイントと感じています。
#在scikit-learn中,使用网格搜索GridSearchCV类时,如果要改变评分方式,只需修改scoring参数即可. #如对随机森林分类进行评分,可以直接这样修改 #修改scoring参数为roc_auc grid = GirdSearchCV(RandomForestClassifier(),param_grid = param_grid,scoring = 'roc_auc')
总结 :
SVC(支持向量机)的decision_function和GaussianNB(朴素贝叶斯)的predict_proba有相似之处,也有很大的差异.两者都可以使用多元分类任务.
我们使用交叉验证法.网格搜索法,分类模型的可信度评估,这些方法都可以帮助我们对模型进行评估并找到相对较优的参数.
还有.score方法给模型评分:对于分类模型来说,默认情况下.score给出的评分是模型分类的准确率(accuracy)
对于回归模型来说,默认情况下.score给出的评分回归分析中的R平方的分数.
其他对模型评分的方法 : 精度(Precision),召回率(Recall),f1分数(f1-score),ROC(Receiver Operating Characteristic Curve),AUC(Area Under Curve)
文章引自 : 《深入浅出python机器学习》