Hướng dẫn k fold cross validation from scratch python github - k lần xác nhận chéo từ đầu python github

• Mã số
• Vấn đề
• Kéo yêu cầu

Một cuốn sổ về thuật toán học máy thường được sử dụng.

• Cập nhật ngày 23 tháng 2 năm 2022
• Notebook Jupyter

• Mã số
• Vấn đề
• Kéo yêu cầu

Một cuốn sổ về thuật toán học máy thường được sử dụng.

• Cập nhật ngày 23 tháng 2 năm 2022
• Notebook Jupyter

KNN từ đầu

Giới thiệu

Kho lưu trữ này bao gồm các triển khai mã và ví dụ cho bài viết trung bình của tôi về việc xây dựng các hàng xóm gần nhất từ ​​đầu và đánh giá nó bằng cách sử dụng xác thực chéo K-gấp cũng được xây dựng từ đầu

Đối với phiên bản gói PYPI, vui lòng tham khảo kho lưu trữ này

Hàng xóm [Nguồn hình ảnh: Freepik]

hàng xóm k-rearest

Những người hàng xóm gần nhất KNN, KNN, là một kỹ thuật rất đơn giản nhưng mạnh mẽ được sử dụng để đưa ra dự đoán. Nguyên tắc đằng sau KNN là sử dụng các ví dụ lịch sử tương tự nhất đối với dữ liệu mới.“most similar historical examples to the new data.”

hàng xóm k-rearest trong 4 bước dễ dàng

• Chọn một giá trị cho k
• Tìm khoảng cách của điểm mới đến từng bản ghi dữ liệu đào tạo
• Nhận những người hàng xóm gần nhất
• Đưa ra dự đoán
  • Đối với vấn đề phân loại, điểm dữ liệu mới thuộc về lớp mà hầu hết các nước láng giềng thuộc về.
  • Đối với vấn đề hồi quy, dự đoán có thể là trung bình hoặc trung bình của nhãn của các hàng xóm k gần nhất

Cuối cùng, chúng tôi đánh giá mô hình bằng kỹ thuật xác thực chéo K

Xác nhận chéo K-gấp

Kỹ thuật này liên quan đến việc phân chia dữ liệu ngẫu nhiên thành các nhóm K hoặc nếp gấp có kích thước xấp xỉ bằng nhau. Nếp gấp đầu tiên được giữ để thử nghiệm và mô hình được đào tạo trên các nếp gấp K-1 còn lại.

5 lần xác thực chéo. Khối màu xanh là nếp gấp được sử dụng để thử nghiệm. [Nguồn hình ảnh: Tài liệu Sklearn]

Bộ dữ liệu được sử dụng

Các bộ dữ liệu được sử dụng ở đây được lấy từ kho lưu trữ máy UCI

• Tập dữ liệu Hayes-Roth
• Bộ dữ liệu đánh giá xe hơi
• Bộ dữ liệu ung thư vú

Đánh giá xe hơi và bộ dữ liệu ung thư vú chứa các thuộc tính văn bản. Vì chúng tôi không thể chạy trình phân loại trên các thuộc tính văn bản, chúng tôi cần chuyển đổi các tính năng đầu vào danh mục. Điều này được thực hiện bằng cách sử dụng LabelEncoder của sklearn.preprocessing. Labelecoder có thể được áp dụng trên DataFrame hoặc Danh sách. Labelecoder mã hóa nhãn có giá trị giữa 0 và N_Classes-1.

Áp dụng Labelecoder trên toàn bộ DataFrame

from sklearn import preprocessing

df = pd.DataFrame[data]
df = df.apply[preprocessing.LabelEncoder[].fit_transform]

Áp dụng LabelEncoder trong danh sách

labels = preprocessing.LabelEncoder[].fit_transform[inputList]

Người giới thiệu

• Thông tin thêm về xác thực chéo có thể được xem tại đây
• tại sao
• Xác nhận chéo Krint