SKlearn库学习曲线

2019/02/25 14:12
阅读数 37

 

思想:

# 1.现将所有样本用交叉验证方法或者(随机抽样方法) 得到 K对 训练集-验证集
# 2.依次对K个训练集,拿出数量不断增加的子集如m个,并在这些K*m个子集上训练模型。
# 3.依次在对应训练集子集、验证集上计算得分。
# 4.对每种大小下的子集,计算K次训练集得分均值和K次验证集得分均值,共得到m对值。
# 5.绘制学习率曲线。x轴训练集样本量,y轴模型得分或预测准确率。

 

用到的方法:

learning_curve #直接得到1个模型在不同训练集大小参数下:1.训练集大小 2.训练得分 3.测试得分

ShuffleSplit  #实现交叉验证、或 随机抽样划分不同的训练集合验证集

plt.fill_between

 

python代码:

import numpy as np  
from sklearn.model_selection import learning_curve, ShuffleSplit  
from sklearn.datasets import load_digits  
from sklearn.naive_bayes import GaussianNB  
from sklearn import svm  
import matplotlib.pyplot as plt  
def plot_learning_curve(estimator, title, X, y, ylim=None, cv=None,n_jobs=1, train_size=np.linspace(.1, 1.0, 5 )):  
    if __name__ == '__main__':  
        plt.figure()  
        plt.title(title)  
        if ylim is not None:  
            plt.ylim(*ylim)  
        plt.xlabel('Training example')  
        plt.ylabel('score')  
        train_sizes, train_scores, test_scores = learning_curve(estimator, X, y, cv=cv, n_jobs=n_jobs, train_sizes=train_size)  
        train_scores_mean = np.mean(train_scores, axis=1)  
        train_scores_std = np.std(train_scores, axis=1)  
        test_scores_mean = np.mean(test_scores, axis=1)  
        test_scores_std = np.std(test_scores, axis=1)  
        plt.grid()#区域  
        plt.fill_between(train_sizes, train_scores_mean - train_scores_std,  
                         train_scores_mean + train_scores_std, alpha=0.1,  
                         color="r")  
        plt.fill_between(train_sizes, test_scores_mean - test_scores_std,  
                         test_scores_mean + test_scores_std, alpha=0.1,  
                         color="g")  
        plt.plot(train_sizes, train_scores_mean, 'o-', color='r',  
                 label="Training score")  
        plt.plot(train_sizes, test_scores_mean,'o-',color="g",  
                 label="Cross-validation score")  
        plt.legend(loc="best")  
        return plt  
digits = load_digits()  
X = digits.data  
y = digits.target  
cv = ShuffleSplit(n_splits=100, test_size=0.2, random_state=0)#切割100ci  
estimator = GaussianNB()  
title = "Learning Curves(naive_bayes)"  
plot_learning_curve(estimator, title, X, y, ylim=(0.7, 1.01), cv=cv, n_jobs=4)  


title = "Learning Curves(SVM,RBF kernel, $\gamma=0.001$)"  
cv = ShuffleSplit(n_splits=10, test_size=0.2, random_state=0)#交叉验证传入别的方法,而不是默认的k折交叉验证  
estimator = svm.SVC(gamma=0.001)  
plot_learning_curve(estimator, title, X, y, (0.7, 1.01), cv=cv, n_jobs=4)  
plt.show() 

结果:

 

 

 

说明:

1. 贝叶斯模型上,训练集规模达到1100时已经比较合适,太小的话会导致过拟合。。总的来看,该模型的准确率趋向于0.85

2. SVM模型上,训练集规模到800时已经比较合适,太小的话会导致训练集无代表性,对验证集无预测能力。。。总的来看,该模型在这份数据上的表现比第一个好。

 

 

 

 

参考

http://www.360doc.com/content/18/0424/22/50223086_748481549.shtml

展开阅读全文
打赏
0
0 收藏
分享
加载中
更多评论
打赏
0 评论
0 收藏
0
分享
返回顶部
顶部