第四十七篇 入门机器学习——分类的准确性（Accuracy）
No.1. 通常情况下，直接将训练得到的模型应用于真实环境中，可能会存在很多问题
No.2. 比较好的解决方法是，将原始数据中的大部分用于训练数据，而留出少部分数据用于测试，即，将数据集切分成训练数据集和测试数据集两部分，先通过训练数据集得到一个模型，然后通过测试数据集来检验模型的性能是否满足我们的要求，根据测试结果的好坏判断模型是否需要进行改进和优化
No.3. 我们通过鸢尾花数据集来测试kNN算法的分类准确性，首先是数据准备工作
No.4. 我们可以将上述过程封装到函数中
No.5. 调用我们封装的数据集切分函数
No.6. 调用自己封装的KNNClassifier类，测试其分类准确性
No.9. 查看一下数据集的详细描述信息
从上面的描述信息中可以了解到，这个数据集共有5620个数据实例，每个实例有64个属性（特征），这64个属性实际组成了8x8像素的图片，每个像素点的取值范围是0-16，这个数据集共分为10个类别，即0-9这10个数字。另外需要注意的一点是，这个数据集只是原数据集的一个简化副本，它实际上只存储了不到2000个数据实例。
No.10. 我们具体查看一下数据集的特征
即，这1797个数据实例都有对应的标签，标签共分为10个类别，分别为0, 1, 2, 3, 4, 5, 6, 7, 8, 9
简单查看前100个数据实例对应的标签，发现这些数据并没有按照不同类别分类存放
No.11. 调用我们实现的数据切分函数对数据集进行切分，再调用我们是实现的KNNClassifier类，测试其分类准确性
No.12. 上面在测试分类准确性的时候，计算准确性的过程还没有进行封装，我们将其封装如下：
测试一下封装好的函数：
No.13. 某些情况下，我们对预测值具体是什么并不感兴趣，我们可能只想知道我们模型预测结果的准确性，这种情况下，是没有必要手动计算一遍预测值的，我们可以封装一个接口，直接获取到模型预测结果的准确性，在kNNClassifier类中添加一个方法实现这个功能：
测试一下这个接口：
No.14. 调用sklearn提供的数据切分函数对数据集进行切分，再调用sklearn提供的KNeighborsClassifier类，测试其分类准确性
第四十七篇 入门机器学习——分类的准确性（Accuracy）的更多相关文章
- 第四十三篇 入门机器学习——Numpy的基本操作——Fancy Indexing
No.1. 通过索引快速访问向量中的多个元素 No.2. 用索引对应的元素快速生成一个矩阵 No.3. 通过索引从矩阵中快速获取多个元素 No.4. 获取矩阵中感兴趣的行或感兴趣的列,重新组成矩阵 N ...
- 第四十篇 入门机器学习——Numpy.array的基本操作——向量及矩阵的运算
No.1. Numpy.array相较于Python原生List的性能优势 No.2. 将向量或矩阵中的每个元素 + 1 No.2. 将向量或矩阵中的所有元素 - 1 No.3. 将向量或矩阵中的所有 ...
- 第三十七篇 入门机器学习——Numpy基础
No.1. 查看numpy版本 No.2. 为了方便使用numpy,在导入时顺便起个别名 No.3. numpy.array的基本操作:创建.查询.修改 No.4. 用dtype查看当前元素的数据类型 ...
- 第四十九篇 入门机器学习——数据归一化（Feature Scaling）
No.1. 数据归一化的目的 数据归一化的目的,就是将数据的所有特征都映射到同一尺度上,这样可以避免由于量纲的不同使数据的某些特征形成主导作用. No.2. 数据归一化的方法 数据归一化的方法主要 ...
- 第四十六篇 入门机器学习——kNN - k近邻算法（k-Nearest Neighbors）
No.1. k-近邻算法的特点 No.2. 准备工作,导入类库,准备测试数据 No.3. 构建训练集 No.4. 简单查看一下训练数据集大概是什么样子,借助散点图 No.5. kNN算法的目的是,假如 ...
- Jmeter(四十七) - 从入门到精通高级篇 - 分布式压测部署之负载机的设置（详解教程）
1.简介 千呼万唤始出来,这一篇感觉写了好久,总想写的清楚明白简洁,但是还是洋洋洒洒写了好多,希望大家喜欢吧!本来打算将这一篇文章是放在性能测试中讲解和分享的,但是有的童鞋或者小伙伴们私下问的太多了, ...
- 第四十四篇 入门机器学习——matplotlib基础——实现数据可视化
No.1. 绘制一条正弦曲线 No.2. 在一张图中绘制多条曲线 No.3. 可以为曲线指定颜色.线条样式 No.4. 可以指定横纵坐标轴的范围 也可以使用: No.6. 可以为每条曲线添加图示 No ...
- 第四十二篇 入门机器学习——Numpy的基本操作——索引相关
No.1. 使用np.argmin和np.argmax来获取向量元素中最小值和最大值的索引 No.2. 使用np.random.shuffle将向量中的元素顺序打乱,操作后,原向量发生改变:使用np. ...
- Python之路(第四十七篇) 协程:greenlet模块\gevent模块\asyncio模块
一.协程介绍 协程:是单线程下的并发,又称微线程,纤程.英文名Coroutine.一句话说明什么是线程:协程是一种用户态的轻量级线程,即协程是由用户程序自己控制调度的. 协程相比于线程,最大的区别在于 ...
随机推荐
- 使用FRP做内网穿透
Github地址:https://github.com/fatedier/frp 什么是FRP? frp 是一个可用于内网穿透的高性能的反向代理应用,支持 tcp, udp 协议,为 http 和 h ...
- 本地连接mysql的url写法
一.jdbc:mysql:///中三条斜杠(///) 第三个/代表什么? jdbc:mysql:///testdatabase等同于 jdbc:mysql://localhost:3306/testd ...
- Android之活动Activity用法
Activity是Android的四大组件之一,本篇将通过Activity的生命周期,Intent的组成部分以及如何使用Intent进行页面之间的消息传递来介绍它的基本用法. 1.activity的生 ...
- nginx模块之ngx_http_fastcgi_module
nginx支持LNMP 安装php-fpm yum install php-fpm -y 使用/etc/php-fpm.d/www.conf配置文件默认配置即可 打开php配置: vim /etc/n ...
- 2020省选模拟训练1 排列（perm）多项式exp+EGF
这道题真的还是简单的一批..... 我当时要是参加考试的话该多好(凭这一道题就能进前 5 了) 十分显然的指数型生成函数. 令 $f[i]$ 表示有 $i$ 个点的答案. 然后显然有 $f[i]=\s ...
- CF1254E Send Tree to Charlie
题意 讲不太清楚,看英文吧 cf 做法 在正式开始之前,我们先来玩一玩性质 首先考虑全\(0\)的情况,即本质不同的方案数 性质1:方案数并不为(n-1)!,即方案与结果不为双射 考虑一条边将树分为两 ...
- 跳跃【BFS】
From 牛客网:https://ac.nowcoder.com/acm/problem/25160
- python数据分析学习(1)pandas一维工具Series讲解
目录 一:pandas数据结构介绍 python是数据分析的主要工具,它包含的数据结构和数据处理工具的设计让python在数据分析领域变得十分快捷.它以NumPy为基础,并对于需要类似 for循环 ...
- Bootstrap资料
Bootstrap手册 : https://www.jqhtml.com/bootstraps-syntaxhigh/index.html 中文文档 :https://v3.bootcss.com/ ...
- CTF入门 |“男神”背后的隐写术
刚刚开始学CTF,记录一下做的第一道隐写题 ~ 附件下载 题目背景(我自己瞎编的): Luyu是CPPU的校草,一直以来他的写真照被各届校友广泛流传,最近江湖上流传着拿到这些照片就能知道Luyu的QQ ...