机器学习实战：基于Scikit-Learn、Keras 和TensorFlow （原书第2 版）

88

｜

第

3

章

图 3-1：MNIST 数据集中的数字

同样，我们先将训练集数据混洗，这样能保证交叉验证时所有的折叠都差不多（你肯定

不希望某个折叠丢失一些数字）。此外，有些机器学习算法对训练实例的顺序敏感，如

果连续输入许多相似的实例，可能导致执行性能不佳。给数据集混洗正是为了确保这种

情况不会发生

注 2

。

1

3.2 训练二元分类器

现在先简化问题，只尝试识别一个数字，比如数字 5。那么这个“数字 5 检测器”就

是一个二元分类器的示例，它只能区分两个类别：5 和非 5。先为此分类任务创建目标

向量：

y_train_5 = (y_train == 5)

# True for all 5s, False for all other digits

y_test_5 = (y_test == 5)

接着挑选一个分类器并开始训练。一个好的初始选择是随机梯度下降（SGD）分类器，

使用 Scikit-Learn 的 SGDClassifier 类即可。这个分类器的优势是能够有效处理非常

大型的数据集。这部分是因为 SGD 独立处理训练实例，一次一个（这也使得 SGD 非常

适合在线学习），稍后我们将会看到。此时先创建一个 SGDClassifier 并在整个训练

集上进行训练：

注 2 ：在某些情况下，例如，如果你正在处理时间序列数据（例如股市价格或天气状况），则混洗可能不

是一个好主意。我们将在下一章中对此进行探讨。