12机器学习——精确率和召回率&交叉验证与网格搜索

12机器学习——精确率和召回率&交叉验证与网格搜索

精确率和召回率

不同的评判标准会有不同的结果


比如说预测是猫还是狗

猫有一个混淆矩阵，狗也有对应的混淆矩阵

评估标准：准确率
精确率和召回率

为什么需要这些指标？

例如癌症检测：
精确率比如就是：预测的结果中得癌症的，在真正的得癌症的人中占的比例

召回率比如就是：在真正得癌症的人中，预测结果里得癌症的人所占的比例
召回率越高预测越准确

from sklearn.datasets import fetch_20newsgroups
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import classification_report
def naviebayes():
    """
    朴素贝叶斯进行文本分类
    :return:None
    """
    news=fetch_20newsgroups(subset='all')

    #进行数据分割
    x_train, x_test, y_train, y_test = train_test_split(news.data, news.target, test_size=0.25)

    #对数据集进行特征抽取
    tf=TfidfVectorizer()

    #以训练集当中的词的列表进行每篇文章重要性统计['a','b','c','d']
    x_train=tf.fit_transform(x_train)
    print(tf.get_feature_names())

    x_test=tf.transform(x_test)

    #进行朴素贝叶斯算法的预测
    mlt=MultinomialNB(alpha=1.0)
    print(x_train.toarray())

    mlt.fit(x_train,y_train)
    y_predict=mlt.predict(x_test)
    print("预测的文章类别为：",y_predict)

    #得出准确率
    print("准确率为：",mlt.score(x_test,y_test))

    print("每个类别的精确率和召回率：",classification_report(y_test,y_predict,target_names=news.target_names))

    return None

结果：

交叉验证与网格搜索

模型的选择与调优
1.交叉验证
交叉验证：为了让被评估的模型更加准确可信

2.网格搜索

from sklearn.model_selection import train_test_split,GridSearchCV
from sklearn.neighbors import KNeighborsClassifier
from sklearn.preprocessing import StandardScaler
import pandas as pd
def knncls():
    """
    k-近邻预测用户签到位置
    :return:None
    """
    #读取数据
    data=pd.read_csv(r"C:\Users\15743\PycharmProjects\learnPacChong\data\FBlocation\train.csv")
    # print(data.head(10))
    #处理数据
    #1.缩小数据，查询数据筛选
    data=data.query("x > 1.0 & x < 1.25 & y > 2.5 & y < 2.75")

    #处理时间的数据
    time_value=pd.to_datetime(data['time'],unit='s')
    # print(time_value)#因为年月都一样，所以没有必要选为新的特征

    #把日期格式转换成 字典格式
    time_value=pd.DatetimeIndex(time_value)

    #构造一些特征(相当于新增一列)
    data['day']=time_value.day
    data['hour']=time_value.hour
    data['weekday']=time_value.weekday

    #把时间戳特征删除
    data=data.drop(['time'],axis=1)#跟之前不同，这里1表示列
    # print(data)

    #把签到数量少于n个目标位置删除
    place_count=data.groupby('place_id').count()#以place_id 分组，统计次数
    tf=place_count[place_count.row_id>3].reset_index()#把次数大于3的保留下来，再重设index
    data=data[data['place_id'].isin(tf.place_id)]

    #取出数据当中的特征值和目标值
    y=data['place_id']#y 目标值
    x=data.drop(['place_id'],axis=1)

    #进行数据的分割，训练集和测试集
    x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.25)

    #特征工程（标准化）
    std=StandardScaler()

    #对测试集和训练集的特征值进行标准化
    x_train=std.fit_transform(x_train)
    x_test=std.transform(x_test)

    #进行算法流程
    # knn=KNeighborsClassifier(n_neighbors=5)
    knn=KNeighborsClassifier()
    # #fit,predict,score
    # knn.fit(x_train,y_train)
    #
    # #得出预测结果
    # y_predict=knn.predict(x_test)
    #
    # print("预测的目标签到位置为：",y_predict)
    #
    # #得出准确率
    # print("预测的准确率：",knn.score(x_test,y_test))#没做标准化，准确率低，3%,标准化之后准确率40%

    #构造一些参数的值进行搜索
    param={"n_neighbors":[3,5,10]}

    #进行网格搜索
    gc=GridSearchCV(knn,param_grid=param,cv=2)

    gc.fit(x_train,y_train)

    #预测准确率
    print("在测试集上准确率：",gc.score(x_test,y_test))

    print("在交叉验证当中最好的结果：",gc.best_score_)

    print("选择最好的模型是：",gc.best_estimator_)

    print("每个超参数每次交叉验证的结果：",gc.cv_results_)

    return None
    
if __name__=="__main__":
    knncls()

结果：