交叉验证(model_selection.cross_val_score)
1、观察模型稳定性的一种方法,避免测试集训练集划分导致模型不同
2、数据分为n份,依次把其中一份作为测试集,其他为训练集,交叉验证n次求平均值
1、回归问题处理的是连续型变量
交叉验证(model_selection.cross_val_score)
1、观察模型稳定性的一种方法,避免测试集训练集划分导致模型不同
2、数据分为n份,依次把其中一份作为测试集,其他为训练集,交叉验证n次求平均值
1、回归问题处理的是连续型变量
回归树
一、参数、属性、接口几乎和分类树相同)
二、回归树没有标签分布均衡问题,没有class_weight
三、参数criterion差异
1、="mse",均方误差
1)父节点和子节点均方误差的差额,本质是样本真实数据和回归结果的差异。
2)在回归树中,MSE是分枝质量衡量指标、回归树回归质量衡量指标。越小越好。
3)回归树接口score返回的是R平方,不是MSE,取值为负无穷到1,MSE总为正,sklearn中为负值
2、="friedman_mse",费尔德曼均方误差
3、="mae",绝对平均误差
四、目标权重参数(用的少)
控制目标权重,保持样本标签平衡(不平衡:某类标签占比大,决策树会向占比大标签偏移)
1、class_weight
1)给少量标签更多权重,参数默认None(所有标签相同权重)
2、min_weight_fraction_leaf
1)基于权重的剪枝参数,比min_samples_leaf更偏向主导类
2)样本加权使用此参数剪枝
重要接口
1、fit训练,score
2、apply测试样本叶子节点索引,predict返回测试样本分类或回归标签结果(只输入训练集特征,不需要标签y)
注:所有接口中要求输入x_test或x_train部分必须输入二维矩阵,不接受任何一维矩阵输入,若数据只有一个样本,reshape(-1,1)增维
4、max_features
1)限制分枝考虑的特征个数
2)用于高维数据,防止过拟合
3)缺点:强行设定会导致模型学习不足。
4)如果希望通过降维防止过拟合,最好使用PCA,ICA中的降维算法
5、min_impurity_decrease
1)限制信息增益的大小,信息增益小于指定数值的分枝不会发生
2)信息增益:父节点和子节点信息熵的差(子节点信息熵一定小于父节点信息熵),越大,这一层分枝对决策树贡献越大
注:
1)如何确定最优的剪枝参数?画出超参数学习曲线
2)剪枝参数不一定能提升模型在测试集上的表现
三、剪枝参数:正确剪枝是优化决策树算法的核心
注:剪枝后准确度不下降,保留剪枝参数,避免重复计算;准确度下降,注掉参数
1、max_depth:限制树的最大参数
高维度、低样本量非常有效,从=3开始尝试,看拟合效果再增加深度
2、min_sample_leaf
1)一个节点在分枝后,每个节点至少包含min_sample_leaf个训练样本samples
2)一般和max_depth搭配使用
3)太小:过拟合,太大:阻止模型学习数据
4)从=5开始使用;
训练集测试集划分不平衡:输入浮点数(含义为样本总量*小数);
类别不多,=1通常最好
3、min_sample_split
1)一个节点至少min_sample_split个样本才被允许分枝
控制随机性的两个参数
1、random_state:控制随机模式,使每次结果一致,默认为None
决策树高维随机性明显,低维度数据集随机性不会显现
2、splitter:控制随机性,可以与random_state同时设置,如果设置了反而准确度降低则不写
1)="best",默认,分枝随机,但会优先选更重要特征进行分枝
2)="random",更随机,决策树会更深,拟合程度更低(防止过拟合)
决策树重要参数
1、criterion:决定不纯度计算方法
entropy信息熵,gini基尼系数
不纯度:
ordinalencoder
数据标准化:数据按照均值中心化后,再按标准差缩放,数据就会变成均值为0方差为1的正态分布
API:from sklearn.preprocessing import StandardScaler
特征工程:
去中心化:让所有记录减去一个固定值。
数据归一化:把数据按照最小值中心化后再按极差缩放,然后被收敛到0-1之间
preprocessing.minmax
浅拷贝 copy :不拷贝子对象的内容,只拷贝子对象的引用。
深拷贝 deepcopy :连子对象的内存也全部拷贝一份,对子对象的修改不会影响源对象。
int float 字符串 元组 布尔值
传递参数是不可变对象时,实际也是传递的对对象的引用,但是因为不可变对象不可修改,所以系统创建新的对象。
可变对象:字典、列表、集合、自定义的对象
不可变对象:数字、字符串、元组、function等
可变对象进行更改时,不创建对象拷贝,直接修改这个对象。
函数内的局部变量可以和全局变量重名,只要不进行global申明,就是局部变量。
打印输出全部的局部变量 print(locals())
打印输出全部的全局变量 print(globals())
推导式
1、列表推导式
>>>[x for x in range(1,5)]
[1,2,3,4]
>>>[x for x in range(1,20) if(x%5==0)]
2、字典推导式
{key:value for 表达式 in 迭代对象}
3、集合推导式
{key for 表达式 in 迭代对象}
4、生成器推导式 生成元组
一个生成器只能运行一次。
集合添加元素
a.add()
set()变成集合
remove()删除
字典是散列表 稀疏数组总有空白元素
数组每个单元就是一个bucket:2个部分 键对象引用和值对象引用
字典元素的增加
键已经存在,覆盖旧的,不存在就增新的
直接添加a['address']='haidian'
2、updata()直接将新字典中的所有键值对全部添加到旧字典对象上 a.update(b)
3、元素删除 del(a[name])
pop()删除指定键值对 b=pop()
字典:包含键和值
可以直接访问键获取值 a['name']
可以通过get获得
a,get('name')
获取所有键值对 a.items()
列出所有的键 a.keys()
列出所有的值 a.values()
键值对的个数 len()
检测一个键是否在字典中 "name" in a
1、a={'name':'gaoqi','age','18'}
a['name']=gaoqi
键不可可变 不可重复
2、a=dict(name='gaoqi',age='18')
a=dict([("name","gaoqi"),("age","18")])
3、zip()
k=['name','age']
v=['gaoqi','18']
d=dict(zip(k,v))