Maschinelles Lernen mit Python Kochbuch, 2.

Kapitel 11. Modellbewertung

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

11.0 Einleitung

In diesem Kapitel werden wir Strategien zur Bewertung der Qualität von Modellen untersuchen, die mit unseren Lernalgorithmen erstellt wurden. Es mag seltsam erscheinen, die Bewertung von Modellen zu erörtern, bevor wir darüber sprechen, wie sie erstellt werden, aber es gibt eine Methode für unseren Wahnsinn. Modelle sind nur so nützlich wie die Qualität ihrer Vorhersagen. Unser Ziel ist es also nicht, Modelle zu erstellen (was einfach ist), sondern qualitativ hochwertige Modelle zu entwickeln (was schwierig ist). Bevor wir uns also mit den unzähligen Lernalgorithmen befassen, sollten wir zunächst lernen, wie wir die von ihnen erstellten Modelle bewerten können.

11.1 Kreuzvalidierung von Modellen

Problem

Du möchtest bewerten, wie gut dein Klassifizierungsmodell auf unvorhergesehene Daten verallgemeinert.

Lösung

Erstelle eine Pipeline, die die Daten vorverarbeitet, das Modell trainiert und es dann mithilfe einer Kreuzvalidierung auswertet:

# Load libraries
from sklearn import datasets
from sklearn import metrics
from sklearn.model_selection import KFold, cross_val_score
from sklearn.pipeline import make_pipeline
from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import StandardScaler

# Load digits dataset
digits = datasets.load_digits()

# Create features matrix
features ...