python基礎(chǔ)之learning_curve(學(xué)習(xí)曲線)

from sklearn.model_selection import learning_curve

這個(gè)函數(shù)的調(diào)用格式是:

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)

這個(gè)函數(shù)的作用為:對于不同大小的訓(xùn)練集,確定交叉驗(yàn)證訓(xùn)練和測試的分?jǐn)?shù)缅疟。一個(gè)交叉驗(yàn)證發(fā)生器將整個(gè)數(shù)據(jù)集分割k次碉就,分割成訓(xùn)練集和測試集亥啦。不同大小的訓(xùn)練集的子集將會被用來訓(xùn)練評估器并且對于每一個(gè)大小的訓(xùn)練子集都會產(chǎn)生一個(gè)分?jǐn)?shù)寿烟,然后測試集的分?jǐn)?shù)也會計(jì)算。然后胶征,對于每一個(gè)訓(xùn)練子集异吻,運(yùn)行k次之后的所有這些分?jǐn)?shù)將會被平均。

estimator:所使用的分類器

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

?訓(xùn)練向量尔许,n_samples是樣本的數(shù)量么鹤,n_features是特征的數(shù)量

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

目標(biāo)相對于X分類或者回歸

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

訓(xùn)練樣本的相對的或絕對的數(shù)字,這些量的樣本將會生成learning curve味廊。如果dtype是float蒸甜,他將會被視為最大數(shù)量訓(xùn)練集的一部分(這個(gè)由所選擇的驗(yàn)證方法所決定)。否則余佛,他將會被視為訓(xùn)練集的絕對尺寸柠新。要注意的是,對于分類而言辉巡,樣本的大小必須要充分大恨憎,達(dá)到對于每一個(gè)分類都至少包含一個(gè)樣本的情況。

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

確定交叉驗(yàn)證的分離策略

--None郊楣,使用默認(rèn)的3-fold cross-validation,

--integer,確定是幾折交叉驗(yàn)證

--一個(gè)作為交叉驗(yàn)證生成器的對象

--一個(gè)被應(yīng)用于訓(xùn)練/測試分離的迭代器

n_jobs :?整數(shù)憔恳,可選并行運(yùn)行的作業(yè)數(shù)(默認(rèn)值為1)。windows開多線程需要在"__name__"==__main__中運(yùn)行净蚤。

verbose : integer, optional

控制冗余:越高钥组,有越多的信息

返回值:

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

用于生成learning curve的訓(xùn)練集的樣本數(shù)。由于重復(fù)的輸入將會被刪除塞栅,所以ticks可能會少于n_ticks.

train_scores?: array, shape (n_ticks, n_cv_folds)

在訓(xùn)練集上的分?jǐn)?shù)

test_scores?: array, shape (n_ticks, n_cv_folds)

在測試集上的分?jǐn)?shù)

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末者铜,一起剝皮案震驚了整個(gè)濱河市,隨后出現(xiàn)的幾起案子放椰,更是在濱河造成了極大的恐慌作烟,老刑警劉巖,帶你破解...
    沈念sama閱讀 212,816評論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件砾医,死亡現(xiàn)場離奇詭異拿撩,居然都是意外死亡,警方通過查閱死者的電腦和手機(jī)如蚜,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,729評論 3 385
  • 文/潘曉璐 我一進(jìn)店門压恒,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人错邦,你說我怎么就攤上這事探赫。” “怎么了撬呢?”我有些...
    開封第一講書人閱讀 158,300評論 0 348
  • 文/不壞的土叔 我叫張陵伦吠,是天一觀的道長。 經(jīng)常有香客問我,道長毛仪,這世上最難降的妖魔是什么搁嗓? 我笑而不...
    開封第一講書人閱讀 56,780評論 1 285
  • 正文 為了忘掉前任,我火速辦了婚禮箱靴,結(jié)果婚禮上腺逛,老公的妹妹穿的比我還像新娘。我一直安慰自己衡怀,他們只是感情好棍矛,可當(dāng)我...
    茶點(diǎn)故事閱讀 65,890評論 6 385
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著抛杨,像睡著了一般茄靠。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上蝶桶,一...
    開封第一講書人閱讀 50,084評論 1 291
  • 那天慨绳,我揣著相機(jī)與錄音,去河邊找鬼真竖。 笑死脐雪,一個(gè)胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的恢共。 我是一名探鬼主播战秋,決...
    沈念sama閱讀 39,151評論 3 410
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼讨韭!你這毒婦竟也來了脂信?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 37,912評論 0 268
  • 序言:老撾萬榮一對情侶失蹤透硝,失蹤者是張志新(化名)和其女友劉穎狰闪,沒想到半個(gè)月后,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體濒生,經(jīng)...
    沈念sama閱讀 44,355評論 1 303
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡埋泵,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 36,666評論 2 327
  • 正文 我和宋清朗相戀三年,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了罪治。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片丽声。...
    茶點(diǎn)故事閱讀 38,809評論 1 341
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡,死狀恐怖觉义,靈堂內(nèi)的尸體忽然破棺而出雁社,到底是詐尸還是另有隱情,我是刑警寧澤晒骇,帶...
    沈念sama閱讀 34,504評論 4 334
  • 正文 年R本政府宣布霉撵,位于F島的核電站滋饲,受9級特大地震影響,放射性物質(zhì)發(fā)生泄漏喊巍。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 40,150評論 3 317
  • 文/蒙蒙 一箍鼓、第九天 我趴在偏房一處隱蔽的房頂上張望崭参。 院中可真熱鬧,春花似錦款咖、人聲如沸何暮。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,882評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽海洼。三九已至,卻和暖如春富腊,著一層夾襖步出監(jiān)牢的瞬間坏逢,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 32,121評論 1 267
  • 我被黑心中介騙來泰國打工赘被, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留是整,地道東北人。 一個(gè)月前我還...
    沈念sama閱讀 46,628評論 2 362
  • 正文 我出身青樓民假,卻偏偏與公主長得像浮入,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個(gè)殘疾皇子羊异,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 43,724評論 2 351

推薦閱讀更多精彩內(nèi)容