求曲线方程的方法,曲线 模型匹配
Python中重要的机器学习库scikit-learn的算法模型的应用涉及到各种关键参数。那么，如果对这些参数进行选择和调整，模型的运行结果可以得到优化吗？这里有一个机器学习算法中常用的调优工件：学习曲线。
学习曲线参数学习曲线是以不同参数值为横坐标，以不同参数值下的模型结果为纵坐标的曲线。我们可以选择模型最佳性能点的参数值作为参数赋值。
实现代码# import numpy as NP import pandas as PD # sklearn.datasets以sk learn . datasets为例导入load _ break _ cancer # explore dataset data=load _ break _ cancer()#提取要素数据集X=data.dataX.shape运行结果
(569，30) #提取标签数据集y=data.targety.shape的运行结果
(569，)#查看特征变量名data.feature_names的运行结果
数组([平均半径，平均纹理，平均周长，平均面积，平均平滑度，平均紧密度，平均凹点，平均对称，平均分形维数，半径误差，纹理误差，周长误差，面积误差，平滑度误差，紧密度误差，凹点误差，对称误差，分形维数误差，最差半径，最差纹理，最差周长，最差面积，最差平滑度，最差紧密度，最差凹点，最差对称，最差分形维数]， Dtype=U23) # name=[平均半径，平均纹理，平均周长，平均面积，平均平滑度，平均紧密度，平均凹度，平均对称度，平均分形维数，半径紧密度误差，凹度误差，凹度误差，对称度误差，分形维数误差，最差半径，最差纹理，最差边界，最差面积，最差平滑度，最差紧密度，最差凹陷。 从sklearn.model _ selection导入train _ test _ split txtrain，xtest，ytrain，ytest=train _ test _ split (x，y，test _ size=0.2) xtrain.shape运行结果必须导入。
(455，30) #带KNN的模型，先选一个K=7，运行它得到一个来自sk learn . neighborsclassifier lf=kneighborsclassifier(n _ neighbors=7)clf=clf . fit(x train，YTrain) score=clf.score (Xtrain，y train)‘’Score()方法用来衡量给定测试集的预测效果。结果是：连续Y用R 2，分类Y用精度，其中：精度=分类算法的正确分类数/总分类数。“分数”的运行结果
0.9406593406593406 clf=clf . fit(xtest，y test) score=clf.score (xtest，y test) score运行结果
0.9298245614035088 #学习曲线#导入绘图包导入matplotlib.pyplot作为plt#绘图显示样本位置分布PLT . RC params[ font . sans-serif ]= sim hei # #设置中文显示字体：bold # PLT . RC params[ font . family ]= arial unicode ms #中文显示PLT . RC params for Mac[ axes . unicode _ MINUS ]=false #设置负号plt.style dpi=720) #设置画布大小和像素#设置K值的范围krange=range(1，21)#为krange中的I设置score score=[]:# K最近邻分类器clf=kneighborsclassifier(n _ neighbors=I)# fit训练集clf=clf.fit(Xtrain，y train)# Do score polyline score . append(clf . score(xtest，ytest)) # Draw plt.plot(krange，score)plt.show()运行结果
#确定最佳K值点score.index(max(score)) 1的运行结果
5 #将k的值重置为最优值9，再次运行KNN模型并从sklearn获取分数。neighbors import kneighborslaisalizer=kneighborslaisalizer(n _ neighbors=9)clf=clf . fit(Xtrain，ytrain) score=clf.score (Xtrain，ytrain)
0.9494505494505494 clf=clf . fit(xtest，y test) score=clf.score (xtest，y test) score运行结果
0.9385964912280702这次的分数结果比上次好。可以看出，学习曲线选择的K值的预测效果优于之前的K值，说明学习曲线作为优化机器学习参数的手段是有效的。
