模型训练与测试

模型评估流程

模型评估

准确率计算

y_pred=knn.predict(X)

from sklearn.metrics import accuracy_score

print(accuracy_score(y,y_pred))

准确率是指基于模型进行预测，预测正确的正确率

主要目的是判断新数据的效果。

绿色曲线：把所有的红蓝都分开了，但是这个曲线特别复杂。增加了维度，通用性不好。

复杂化造成了过度拟合

需要将训练数据和测试数据分开、

不能用同一个数据集进行训练和预测，需要使用不同的数据集来进行。

将数据集分为训练数据和测试数据

训练数据与测试数据相同的缺点：

模型评估。

1. 用所有的数据进行训练可能会适得其反，不仅模型复杂化，且准确度不一定更高

2. 评估思想：将训练数据和测试数据分离

3. 判断模型的准确率：比较预测结果和实际结果，正解的比例占到多少

   from sklearn.metrics import accuracy_scoreprint(accuracy_score(y,y_pred))

1. 将整个数据集用于训练与测试，训练数据与测试数据相同导致的问题：

   1）训练模型的最终目标是为了预测新数据对应的结果

   2）最大化训练准确率通常会导致模型复杂化

   3)过度复杂模型容易导致训练数据的过度拟合

# 模型评估 比较不同K值 模型的好坏

# 全数据集训练与预测

# 训练数据集、测试数据集分离

# 如何选择模型合适的参数，预测新数据对应结果

模型评估

#模型训练之全数据集

from sklearn.neighbors import KNeighborsClassifier

knn_1 = KNeighborsClassifier(n_neighbors=1)

knn_1.fit(X,y)

y1_pre = knn_1.predict(X)

print(y1_pre.shape)

#模型评估之准确率

from sklearn.metrics import accuracy_score

print(accuracy_score(y,y1_pre))