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

分类

｜

89

from sklearn.linear_model import

SGDClassifier

sgd_clf = SGDClassifier(random_state=42)

sgd_clf.fit(X_train, y_train_5)

SGDClassifier 在训练时是完全随机的（因此得名“随机”），如果你希望

得到可复现的结果，需要设置参数 random_state。

现在可以用它来检测数字 5 的图片了：

>>>

sgd_clf.predict([some_digit])

array([ True])

分类器猜这个图像代表 5（ True）。看起来这次它猜对了！那么，下面评估一下这个模

型的性能。

3.3 性能测量

评估分类器比评估回归器要困难得多，因此本章将用很多篇幅来讨论这个主题，同时会

涉及许多性能考核的方法。所以，不妨再倒一杯咖啡，做好准备学习更多的新概念和缩

略词吧！

3.3.1 使用交叉验证测量准确率

正如第 2 章所述，交叉验证是一个评估模型的好办法。

实现交叉验证

相比于 Scikit-Learn 提供 cross_val_score() 这一类交叉验证的函数，有时你可

能希望自己能控制得多一些。在这种情况下，你可以自行实现交叉验证，操作也简

单明了。下面这段代码与前面的 cross_val_score() 大致相同，并打印出相同

的结果：

from sklearn.model_selection import

StratifiedKFold

from sklearn.base ...