Python与人工智能编程-基础与实验 课件 实验12 Scikit-learn开发流程与模板

Scikit-learn开发流程及通用模板实验十二课程学习目标了解Scikit-learn的开发流程熟练掌握Scikit-learn的三个通用模板及使用Scikit-learn开发流程

Scikit-learn的开发流程如图所示。（1）加载数据集在介绍通用模板之前，我们先加载Iris（鸢尾花）数据集，作为通用模板的示例数据集。通过运行以上代码可以看到x是一个(150,4)的数组,保存了150个数据的4个特征:花萼长度、花萼宽度、花瓣长度、花瓣宽度。y值共150个数字，其中0、1、2分别代表三类花。Scikit-learn开发通用模板一（2）数据拆分使用train_test_split的目的是保证从数据集中均匀拆分出测试集，把10%的数据集拿出来用作测试集。Scikit-learn开发通用模板一通用模板V1.0版可以帮助用户快速构建一个基本的算法模型。通用模板一的基础流程和伪代码如图所示。Scikit-learn开发通用模板一通用模板V1.0应用举例

:

构建SVM分类模型通过查阅资料,可以知道SVM算法在scikit-learn.svm.SVC下,所以算法位置填入“svm”,算法名填入“SVC”,模型名自己起,这里就叫“svm_model”。Scikit-learn开发通用模板一交叉验证在V1.0版的模板中,当多次运行同一个程序时，模型准确率常常会波动，这是因为数据输入顺序不同，导致模型表现有好有坏。而有时，虽然在训练集上调整参数使模型表现最佳，但在测试集上却可能过拟合，无法反映出模型的泛化性能。为了解决这些问题，我们可以使用交叉验证。交叉验证通过将训练数据多次划分为不同的训练集和验证集，来更准确地估计模型在未见数据上的表现。Scikit-learn开发通用模板二交叉验证例如,最常用的5折交叉验证(如图所示),主要将训练集划分为5个较小的集合。然后将4份训练子集作为训练集训练模型,将剩余1份训练集子集作为验证集用于模型验证。这样需要训练5次,最后在训练集上评估得分取所有训练结果评估得分的平均值。Scikit-learn开发通用模板二通用模板V2.0融入了交叉验证,让算法模型评估更加科学。通用模板二的基础流程和伪代码如图所示。Scikit-learn开发通用模板二通用模板V2.0应用举例:构建SVM分类模型Scikit-learn开发通用模板二以上模板都是通过算法的默认参数来训练模型的，但不同的数据集适用的参数难免会不一样，Scikit-learn对于不同的算法也提供了不同的参数,可以自己调节。Scikit-learn提供了“算法名称+().get_params()”方法来查看每个算法可以调整的参数。例如,想查看SVM分类器算法可以调整的参数,如图所示。Scikit-learn开发通用模板三通过模板V3.0版,调参让算法表现更上一层楼。通用模板三的基础流程和伪代码如图所示。Scikit-learn开发通用模板三通用模板V3.0应用举例:构建SVM分类模型Scikit-learn开发通用模板三查看最优的超参数组合。调用最优模型实例。查看每个参数的交叉验证结果。Scikit-learn开发通用模板三本节实