Pythonのチュートリアル：モデルの評価・選定

9.1回帰モデルの精度を評価します。

トレーニングデータ上のa）の評価。

電車= pd.read_csv（ '/ユーザ/ boston_train.csv'）
テスト= pd.read_csv（ '/ユーザ/ boston_test.csv'）
＃ランダムフォレスト回帰モデル
sklearn.ensemble輸入RandomForestRegressorから
rfMod = RandomForestRegressor（random_state = 29）
rfMod .fit（train.drop（[ "標的"]、軸= 1）、列車[ "標的"]）
訓練データに＃評価
perdy = rfMod.predict（train.drop（[ "標的"]、軸= 1） ）
＃は、決意スコアの係数を決定
r2_scoreインポートsklearn.metricsから
r2_rf = r2_score（列車[ "標的"]、perdy）
）％のr2_rf：印刷（ "％Fランダムフォレスト回帰モデルのR ^ 2スコア（決意の係数）"を

## Random forest regression model r^2 score (coefficient of determination): 0.975233

テストデータに対するb）の評価。

＃ランダムフォレスト回帰モデル（rfMod）
試験データに＃評価
perdy = rfMod.predict（test.drop（[ "標的"]、軸= 1））
＃は、決意の係数を決定するスコア
r2_rf = r2_score（試験[ "標的"] 、perdy）
プリント（ "ランダムフォレスト回帰モデルのR ^ 2スコア（決意の係数）：％F" ％のr2_rf）

## Random forest regression model r^2 score (coefficient of determination): 0.833687

sklearnメトリック  r2_scoreは、  回帰モデルを評価するための唯一の選択肢です。アクセスしてください  ここでは  、他のsklearn回帰メトリックの詳細については。

9.2分類モデルの精度を評価します。

トレーニングデータ上のa）の評価。

電車= pd.read_csv（ '/ユーザ/ digits_train.csv'）
テスト= pd.read_csv（ '/ユーザ/ digits_test.csv'）
＃ランダムフォレスト分類モデル
sklearn.ensemble輸入RandomForestClassifierから
rfMod = RandomForestClassifier（random_state = 29）
rfMod .fit（train.drop（[ "標的"]、軸= 1）、列車[ "標的"]）
訓練データに＃評価
perdy = rfMod.predict（train.drop（[ "標的"]、軸= 1） ）
＃精度スコアを決定
accuracy_scoreインポートsklearn.metricsから
accuracy_rf = accuracy_score（列車[ "標的"]、perdy）
プリント（ "ランダムフォレストモデルの精度：％F"）％のaccuracy_rfを
##ランダムフォレストモデルの精度：1.000000

テストデータに対するb）の評価。

＃ランダムフォレスト分類モデル（rfMod）
試験データに＃評価
perdy = rfMod.predict（test.drop（[ "標的"]、軸= 1））
＃精度を決定スコア
accuracy_rf = accuracy_score（試験[ "標的"]、perdy ）
プリント（ "ランダムフォレストモデルの精度：％fを" ％のaccuracy_rf）

注意：sklearnメトリック  accuracy_scoreは、  分類モデルを評価するための唯一の選択肢です。アクセスしてください  ここでは  、他のsklearn分類指標の詳細については。

クロスバリデーションと9.3の評価。

A）KFold

我々はに読み込まれる必要があり、新たなデータセットを使用している＃お知らせ
＃環境
乳癌= pd.read_csv（「/ユーザ/ breastcancer.csv」）
sklearnインポートmodel_selectionから
sklearn.ensembleインポートからRandomForestClassifier
X = breastcancer.dropを（[ "標的"]、軸= 1）
Y =乳癌[ "標的"]
kfold = model_selection。KFold（n_splits = 5、random_state = 29）
rfMod = RandomForestClassifier（random_state = 29）
の結果= model_selection.cross_val_score（rfMod、X、Y、CV = kfold）
プリント（「精度：％.2f %% +/-％.2f %%」％（results.mean（）* 100、
results.std（）* 100））

B）ShuffleSplit

= model_selectionをシャッフルします。ShuffleSplit（n_splits = 5、random_state = 29）
rfMod = RandomForestClassifier（random_state = 29）
の結果= model_selection.cross_val_score（rfMod、X、Y、CV =シャッフル）
プリント（「精度：％.2f %% +/-％.2f %%」％（results.mean（）* 100、
results.std（）* 100））