我对机器学习比较陌生,希望在以下方面获得一些帮助:
我对数据运行了支持向量机分类器 (SVC),并进行了 10 倍交叉验证,并计算了准确度分数(约为 89%)。我正在使用 Python 和 scikit-learn 来执行该任务。这是一个代码片段:
def get_scores(features,target,classifier):
X_train, X_test, y_train, y_test =train_test_split(features, target ,
test_size=0.3)
scores = cross_val_score(
classifier,
X_train,
y_train,
cv=10,
scoring='accuracy',
n_jobs=-1)
return(scores)
get_scores(features_from_df,target_from_df,svm.SVC())
现在,我如何使用我的分类器(运行 10 倍 cv 后)在 X_test 上进行测试并将预测结果与 y_test 进行比较?您可能已经注意到,我在交叉验证过程中仅使用了 X_train 和 y_train。
我注意到 sklearn 有 cross_val_predict: http://scikit-learn.org/stable/modules/generated/sklearn.model_selection.cross_val_predict.html我应该用 cross_val_predict 替换 cross_val_score 吗?仅供引用:我的目标数据列已二值化(值为 0 和 1)。
如果我的方法是错误的,请告诉我最好的继续方法。
谢谢!
最佳答案
你只需要将 X 和 y 分开即可。不要分开训练和测试。
然后,您可以将案例 svm 中的分类器传递给 cross_val_score
函数,以获得每个实验的准确性。
只需 3 行代码:
clf = svm.SVC(kernel='linear', C=1)
scores = cross_val_score(clf, X, y, cv=10)
print scores
关于python - 在sklearn中运行10倍交叉验证后如何运行SVC分类器?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/47663694/