Python机器学习：sklearn调包建模

特征工程完成了之后，就开始训练模型啦。这里用随机森林这个模型举例。

调包、训练模型

from sklearn.ensemble import RandomForestClassifier

model = RandomForestClassifier().fit(X_train,y_train)

代码讲解：

RandomForestClassifier()是模型名称，这里用的是随机森林模型；

把训练集的自变量X_train、训练集的因变量y_train放进fit()里；

定义了一个model变量来保存训练的模型和训练的结果。 

---

计算预测结果

y_train_proba = model.predict_proba(X_train_new)[:, 1]
y_test_proba =  model.predict_proba(X_test_new)[:, 1]

代码讲解：

模型训练完之后，就可以输入测试集的自变量，然后输出测试集的预测结果了；

predict_proba()是生成概率格式的预测结果，在用auc作为评分标准的时候使用；

predict()是生成0-1的预测结果，在计算准确率accuracy、召回率recall、F1值、精确率precision的时候使用。

---

计算auc

from sklearn.metrics import roc_auc_score

train_auc = roc_auc_score(y_train,y_train_proba)
test_auc = roc_auc_score(y_test,y_test_proba)

代码讲解：

调用计算AUC的方法roc_auc_score()，输入测试集的结果和预测的结果就能计算得分啦；

顺序是：原结果y_test 加上 训练后的结果y_test_proba依次填入roc_auc_score()中；

计算结果：

【机器学习历史文章合辑 ↓ 】

机器学习学习路径_紫昂张的博客-CSDN博客