构建并评价分类模型0328课件讲解.pptxVIP

构建并评价分类模型03

3.构建并评价分类模型使用sklearn估计器构建分类模型在数据分析领域，分类算法很多，其原理千差万别，常用算法如下。基于样本距离的最近邻算法基于特征信息熵的决策树算法基于bagging的随机森林算法基于boosting的梯度提升分类树算法但其实现的过程相差不大，如图所示。

3.构建并评价分类模型sklearn库中提供的分类算法非常多，分别存在于不同的模块中。常用的分类算法如下表所示。模块名称函数名称算法名称linear_modelLogisticRegression逻辑斯蒂回归svmSVC支持向量机neighborsKNeighborsClassifierK最近邻分类naive_bayesGaussianNB高斯朴素贝叶斯treeDecisionTreeClassifier分类决策树ensembleRandomForestClassifier随机森林分类ensembleGradientBoostingClassifier梯度提升分类树

3.构建并评价分类模型分类模型对测试集进行预测而得出的准确率并不能很好地反映模型的性能，为了有效判断一个预测模型的性能表现，需要结合真实值计算出精确率、召回率、F1值和Cohen’sKappa系数等指标来衡量。常规分类模型的评价方法如下表所示。方法名称最佳值sklearn函数Precision（精确率）1.0metrics.precision_scoreRecall（召回率）1.0metrics.recall_scoreF1值1.0metrics.f1_scoreCohen’sKappa系数1.0metrics.cohen_kappa_scoreROC曲线最靠近y轴metrics.roc_curve分值越高越好，其使用方法基本相同通常情况下，ROC曲线与x轴形成的面积越大，表示模型性能越好

《大数据分析技术应用》主讲人：张琛玮第六章：使用scikit-learn构建模型