Scikit-Learn 常用函數

---

1、數據集劃分

函數原型：

train_test_split(train_data, train_label, test_size=None, random_state=None, shuffle=True)

• train_data：數據集的數據，可以是列表或者numpy數組
• train_label：數據集的標簽
• test_size：測試集的樣本占比(0.0, 1.0)，如果是整數的話就是樣本的數量
• random_state：隨機數的種子

• shuffle: 是否需要打亂數據集

• 返回劃分完成的數據，順序：訓練集數據、測試集數據、訓練集標簽、測試集標簽

實例：

# 導入相關函數 from sklearn.model_selection import train_test_split# 按照測試集占0.2得比例劃分數據集 X_train, X_val, y_train, y_val = train_test_split(X, y, test_size=0.2)

---

2、評估指標

sklearn.metrics：

• accuracy_score：準確率
• average_precision_score：平均準確率
• confusion_matrix：混淆矩陣
• precision_score：精確率，查準率
• recall_score：召回率
• f1_score：FI值
• classification_report：包含precision_score、recall_score、f1_score

xx(y_true, y_pred):

• y_true : numpy數組shape = [n_samples]，真實標簽值
• y_pred : numpy數組shape = [n_samples]，預測值

實例：

# 導入相關函數 from sklearn.model_selection import confusion_matrix# 計算混淆矩陣 confu_matrix = confusion_matrix(y_true=train_label, y_pred=train_pred)

---

總結

以上是生活随笔為你收集整理的Scikit-Learn 常用函数的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。