Python机器学习基础教程

第 5 章

模型评估与改进

前面讨论了监督学习和无监督学习的基本原理，并探索了多种机器学习算法，本章我们深

入学习模型评估与参数选择。

我们将重点介绍监督方法，包括回归与分类，因为在无监督学习中，模型评估与选择通常

是一个非常定性的过程（正如我们在第

3

章中所见）。

到目前为止，为了评估我们的监督模型，我们使用 train_test_split 函数将数据集划分为

训练集和测试集，在训练集上调用 fit 方法来构建模型，并且在测试集上用 score 方法来

评估这个模型——对于分类问题而言，就是计算正确分类的样本所占的比例。下面是这个

过程的一个示例：

In[2]:

from sklearn.datasets import make_blobs

from sklearn.linear_model import LogisticRegression

from sklearn.model_selection import train_test_split

# 创建一个模拟数据集

X, y = make_blobs(random_state=0)

# 将数据和标签划分为训练集和测试集

X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)

# 将模型实例化，并用它来拟合训练集

logreg = LogisticRegression().fit(X_train, y_train)

# 在测试集上评估该模型

print("Test ...