绘制学习曲线——plot-learning-curve.pdfVIP

绘制学习曲线——plot_ learning_curve plot_learning_curve函数官⽅放提供的模板函数， 以⽆需修改，初学时我们仅需要知道传⼊的参数意义即 。 先说说函数⾥⾯的⼀个东西，也是画曲线的核⼼sklearn.model_selection的learning_curve，该学习曲线函数返回的是 train_sizes，train_scores，test_scores ： 在画训练集的曲线时：横轴为 train_sizes，纵轴为 train_scores_mean； 画测试集的曲线时：横轴为train_sizes，纵轴为test_scores_mean。 title：图像的名字。 cv ：默认cv=None，如果需要传⼊则如下 ： cv : int, 交叉验证⽣成器或 迭代的 选项，确定交叉验证拆分策略。 cv的 能输⼊是 ： - ⽆，使⽤默认的3倍交叉验证， - 整数，指定折叠数。 - 要⽤作交叉验证⽣成器的对象。 - 迭代的yielding训练/测试分裂。 ShuffleSplit ：我们这⾥设置cv ，交叉验证使⽤ShuffleSplit⽅法，⼀共取得 100组训练集与测试集，每次的测试集为20%，它返回的是每 组训练集与测试集的下标索引，由此 以知道哪些是train，那些是test。 ylim：tuple, shape (ymin, ymax), 选的。定义绘制的最⼩和最⼤y值，这⾥是 （0.7，1.0 1）。 n_j obs : 整数， 选并⾏运⾏的作业数 （默认值为 1）。windows开多线程需要在__name__==__main__中运⾏。 官⽅固定代码 import numpy as np import matplotlib.pyplot as plt from sklearn.model_selection import learning_curve # ⽤sklearn的learning_curve得到training_score和cv_score ，使⽤matplotlib画出learning curve def plot_ learning_curve(estimator, title, X, y, ylim=None, cv=None, n_jobs= , train_sizes=np.linspace(.05, ., 20), verbose=0) : 画出data在某模型上的learning curve. 参数解释 estimator : 你⽤的分类器。 title : 表格的标题。 X : 输⼊的feature ，numpy类型 y : 输⼊的target vector ylim : tuple格式的(ymin, ymax), 设定图像中纵坐标的最低点和最⾼点 cv : 做cross-validation的时候，数据分成的份数，其中⼀份作为cv集，其余n- 份作为training(默认为3份) n_jobs : 并⾏的的任务数(默认 ) train_sizes, train_scores, test_scores = learning_curve( estimator, X, y, cv=cv, n_jobs=n_jobs, train_sizes=train_sizes) train_scores_ mean = np.mean(train_scores, axis= ) train_scores_std = np.std(train_scores, axis= ) test_scores_ mean = np.mean(test_scores, axis= ) test_scores_st