Scikit-learn之模型评估预测

     sklearn.decomposition.PCA — scikit-learn 1.2.2 documentation （sklearn官网），代码以后补上，先介绍一些简单的

       sklearn能做到很多传统意义上（比较简单）的机器学习，例如：分类，回归，聚类，降维，模型预测，预处理

       而深度学习用到的是神经网络

       Mnist数据集一般是（28*28*1）的灰度图，第一个数字代表长，第二个代表宽，第三个代表颜色，数字为1代表一个颜色也就是灰度图，数字为三代表彩色图

下图是交叉验证的流程图：

 

       原本的训练集训练出来的结果，直接拿测试集去测试未免太浪费资源，而且可能精度不高，所以就有了交叉验证，这种方法是将原本的训练集在划分为训练集与测试集，比如：原本的训练集划分为5份，前四份作为训练集，最后一份作为测试集，验证第一次，然后再用1,2,3,5作为训练集，4作为测试集，再验证一次，重复交叉验证，最后求得一个均值则为训练结果，此时再用测试集进行测试，效果会好很多。