python如何使用learning_curve

python learning_curve函數

這個函數的作用為：對於不同大小的訓練集，確定交叉驗證訓練和測試的分數。

一個交叉驗證產生器將整個資料集分割k次，分割成訓練集和測試集。 （建議學習：Python影片教學）

不同大小的訓練集的子集將會被用來訓練評估器並且對於每一個大小的訓練子集都會產生一個分數，然後測試集的分數也會計算。然後，對於每一個訓練子集，運行k次之後的所有這些分數將會被平均。

這個函數需要引用sklearn套件

import sklearnfrom sklearn.learning_curve import learning_curve

這個函數的呼叫格式是：

learning_curve(estimator, X, y, train_sizes=array([ 0.1  ,  0.325,  0.55 ,  0.775,  1.   ]), cv=None, scoring=None, exploit_incremental_learning=False, n_jobs=1, pre_dispatch='all', verbose=0)

estimator：所使用的分類器

X:array-like, shape (n_samples, n_features)

 訓練向量，n_samples是樣本的數量，n_features是特徵的數量

y:array- like, shape (n_samples) 或 (n_samples, n_features), optional

目標相對於X分類或回歸

train_sizes:array-like, shape (n_ticks,), dtype float or int

訓練樣本的相對的或絕對的數字，這些量的樣本將會產生learning curve。如果dtype是float，他將會被視為最大數量訓練集的一部分（這個由所選的驗證方法所決定）。否則，他將會被視為訓練集的絕對尺寸。要注意的是，對於分類而言，樣本的大小必須要充分大，達到每一個分類都至少包含一個樣本的情況。

cv:int, cross-validation generator or an iterable, optional

確定交叉驗證的分離策略

--None，使用預設的3-fold cross-validation ,

--integer,確定是幾折交叉驗證

#--一個作為交叉驗證生成器的物件

--一個被應用於訓練/測試分離的迭代器

verbose : integer, optional

控制冗餘：越高，有越多的資訊

傳回值：

##train_sizes_abs：array, shape = (n_unique_ticks,), dtype int

用於產生learning curve的訓練集的樣本數。由於重複的輸入將會被刪除，所以ticks可能會少於n_ticks.

train_scores : array, shape (n_ticks, n_cv_folds)

#在訓練集上的分數

test_scores : array, shape (n_ticks, n_cv_folds)

在測試集上的分數

更多Python相關技術文章，請造訪

Python教學欄位進行學習！

以上是python如何使用learning_curve的詳細內容。更多資訊請關注PHP中文網其他相關文章！