概述
有监督机器学习模型的基本步骤：
(1) 选择模型类；
(2) 选择模型超参数；
(3) 用模型拟合训练数据；
(4) 用模型预测新数据的标签。
前两步——模型选择和超参数选择——可能是有效使用各种机器学习工具和技术的最重要阶段。为了作出正确的选择，我们需要一种方式来验证选中的模型和超参数是否可以很好地拟合数据。这看起来是很简单，但要顺利地完成必须避过很多坑。
什么是模型验证
模型验证(model validation)其实很简单，就是在选择模型和超参数之后，通过对训练数据进行学习，对比模型对已知数据的预测值与实际值的差异。
在下面，我们首先通过一个简单方法实现模型验证，告诉你为什么那样做行不通。之后，介绍如何用留出集(holdout set)与交叉检验(cross-validation)实现更可靠的模型验证。
01 / 错误的模型验证方法
让我们再用前面介绍过的鸢尾花数据来演示一个简单的模型验证方
法。首先加载数据：
from sklearn.datasets import load_iris
iris = load_iris()
X = iris.data
y = iris.target
然后选择模型和超参数。这里使用一个 k 近邻分类器，超参数
最后
以上就是含蓄小鸽子为你收集整理的验证集准确率上不去_Python机器学习之“模型验证”的全部内容，希望文章能够帮你解决验证集准确率上不去_Python机器学习之“模型验证”所遇到的程序开发问题。
如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。
本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。
发表评论 取消回复