Was sind die Parameter für sklearn die score-Funktion?

Ich vor kurzem sah einen Haufen sklearn tutorials, die waren alle ähnlich, dass Sie das erzielte Anpassungsgüte von:

clf.fit(X_train, y_train)
clf.score(X_test, y_test)

Und es werde ausgespuckt:

0.92345...

oder eine andere Punktzahl.

Ich bin neugierig, wie die Parameter des clf.score-Funktion oder, wie es erzielt das Modell. Ich suchte alle über das internet, aber kann nicht scheinen zu finden, die zugehörige Dokumentation. Wer weiß?

  • Ich glaube, es ist abhängig vom Modell
  • Damit die scoring-Funktion ändert sich von SVMs lineare Modelle und andere Klassifikatoren und Regressoren? Das scheint eine Kopfschmerzen!
InformationsquelleAutor tooty44 | 2014-06-27
  1. 19

    Dauert es eine feature-matrix X_test und die erwarteten soll-Werte y_test. Vorhersagen für X_test sind im Vergleich mit y_test und entweder die Genauigkeit (für Klassifikatoren) - oder R2-score (für regression Schätzer zurückgegeben.

    Dies wird ganz explizit in den docstrings für score Methoden. Die eine für die Einstufung liest

    Returns the mean accuracy on the given test data and labels.

Parameters
----------
X : array-like, shape = (n_samples, n_features)
    Test samples.

y : array-like, shape = (n_samples,)
    True labels for X.

sample_weight : array-like, shape = [n_samples], optional
    Sample weights.

Returns
-------
score : float
    Mean accuracy of self.predict(X) wrt. y.

    und die man für die regression ist ähnlich.

    • Wo kommt es y_test und x_test?
    • Sie haben zur Vorbereitung X_test und y_test und es gibt ein paar Möglichkeiten, das zu tun. Wenn Sie mit scikit-learn, die Funktion train_test_split von sklearn.model_selection ist die eine, die Sie suchen.
    InformationsquelleAutor Fred Foo
  2. 2

    Nicht sicher, ob ich deine Frage verstanden richtig. Offensichtlich, um zu berechnen, einige Fehler oder ähnlichkeit meisten scoring-Funktionen bekommen ein array von Referenz-Werte (y_true) und ein array von Werten vorhergesagt durch das Modell (y_score) als wichtigsten Parameter, sondern erhalten auch einige andere Parameter, die spezifisch für die Metrik. Scoring-Funktionen in der Regel nicht benötigen X-Werte.

    Ich würde vorschlagen, Blick in den Quellcode der scoring-Funktionen, um zu verstehen, wie Sie funktionieren.

    Hier ist eine Liste von scoring-Funktionen im scikit-learn.

    InformationsquelleAutor newtover
  3. 1

    Dies ist Klassifizierer abhängig. Jeder Klassifizierer stellt es die eigene scoring-Funktion.

    Estimator score-Methode: Schätzer haben eine score-Methode bietet eine
    Standard-Bewertungskriterium für das problem, Sie sind entworfen, um
    lösen. Dies ist nicht Thema auf dieser Seite, aber in jedem estimator ist
    Dokumentation.

    Abgesehen von der Dokumentation, die Sie in einer der Antworten, die einzige zusätzliche Sache, die Sie tun können, ist zu Lesen, welche Art von Parameter-Schätzer liefert. Zum Beispiel SVM Klassifizierer SVC hat die folgenden Parameter score(X, y, sample_weight=None)

    InformationsquelleAutor Salvador Dali
  4. 0

    Syntax:
    sklearn.Metriken.accuracy_score(y_true, y_pred, normalize=True, sample_weight=None)

    In multilabel-Klassifikation, diese Funktion berechnet Teilmenge Genauigkeit: die Menge der Etiketten soll für ein Beispiel muss exakt mit dem entsprechenden Satz von Etiketten in y_true.

    Parameter:
    y_true : 1d-array-like, oder label indicator array /sparse matrix
    Ground truth (korrekten) Bezeichnungen.

    y_pred: 1d-array-like, oder label indicator array /sparse matrix
    Vorhergesagt Etiketten, zurückgegeben wird, indem ein Klassifikator.

    normalisieren : bool, optional (default=True)
    Wenn False, return die Anzahl der korrekt klassifizierten Proben. Andernfalls zurück, der Anteil der korrekt klassifizierten Proben.

    sample_weight : array-like shape = [n_samples], optional
    Beispiel GEWICHTE.

    Gibt:

    score : float
    Wenn normalisieren == True, return, der Anteil der korrekt klassifizierten Proben (float), sonst gibt die Anzahl der korrekt klassifizierten Proben (int).

    Die besten Leistungen 1 mit normalisieren == True und die Anzahl der Proben mit normalisieren == False.

    Weitere Informationen finden Sie unter:
    [https://scikit-learn.org/stable/modules/model_evaluation.html#accuracy-score%5D%5B1%5D

    InformationsquelleAutor Hammad Basit
Schreibe einen Kommentar