learning_curve函数介绍: 用于确定不同训练集大小的交叉验证训练和测试分数,交叉验证生成器在训练和测试数据中对整个数据集进行k次拆分。将使用具有不同大小的训练集的子集来训练估计器,并将计算每个训练子集大小的分数和测试集。之后,将对每个训练子集大小的所有k次运行的分数求平均。
sklearn.model_selection.learning_curve(
estimator, X, y, *, groups=None,
train_sizes=array([0.1, 0.33, 0.55, 0.78, 1.]),
cv=None, scoring=None, exploit_incremental_learning=False,
n_jobs=None, pre_dispatch='all',
verbose=0, shuffle=False, random_state=None,
error_score=nan, return_times=False,
fit_params=None)
注意:
1、当训练集的准确率比其他独立数据集上的测试结果的准确率要高时,一般都是过拟合。
2、当训练集和验证集的准确率都很低,很可能是欠拟合。
一些常用参数:
1、estimator:传入的模型对象。
2、X:传入的特征
3、y:传入的标签
4、train_sizes:数组,代表训练示例的相对或绝对数量,将用于生成学习曲线。如果dtype为float,则视为训练集最大尺寸的一部分(由所选的验证方法确定),即,它必须在(0,1]之内,否则将被解释为绝对大小注意,为了进行分类,样本的数量通常必须足够大,以包含每个类中的至少一个样本(默认值:np.linspace(0.1,1.0,5))
5、cv
cv的可能输入是:
1)None,要使用默认的三折交叉验证(v0.22版本中将改为五折)
2)整数,用于指定(分层)KFold中的折叠数,比如说10
3)CV splitter:分割器,例如我们这里用到的ShuffleSplit
6、n_jobs:运行的cpu个数。 -1表示使用所有处理器。
7、random_state:随机数种子。
返回值:
train_sizes_abs:返回生成的训练样本数量列表。
train_scores:数组,形状(n_ticks,n_cv_folds),训练集得分列表。
test_scores:数组,形状(n_ticks,n_cv_folds)测试集得分列表。
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from scipy import stats
def plot_learning_curve(estimator, title, X, y, ylim=None, cv=None,
n_jobs=1, train_sizes=np.linspace(.1, 1.0, 5)):
'''
定义画出学习曲线的方法,核心是调用learning_curve方法。
'''
plt.figure()
plt.title(title)
if ylim is not None:
plt.ylim(*ylim)
plt.xlabel("Training examples")
plt.ylabel("Score")
# 这里交叉验证调用的必须是ShuffleSplit。
# n_jobs: 要并行运行的作业数,这里默认为1,如果-1则表示使用所有处理器。
train_sizes, train_scores, test_scores = learning_curve(
estimator, X, y, cv=cv, n_jobs=n_jobs, train_sizes=train_sizes)
# 返回值:
# train_sizes: 训练示例的等分比例,代表着横坐标有几个点。
# train_scores: 训练集得分: 二维数组,shape:(5, 100)
# test_scores:测试集得分
# print(train_scores)
# print(test_scores)
# 最后求得五个平均值
train_scores_mean = np.mean(train_scores, axis=1)
train_scores_std = np.std(train_scores, axis=1)
test_scores_mean = np.mean(test_scores, axis=1)
test_scores_std = np.std(test_scores, axis=1)
print(train_sizes)
print(train_scores_mean)
print(test_scores_mean)
plt.grid()
plt.fill_between(train_sizes, train_scores_mean - train_scores_std,
train_scores_mean + train_scores_std, alpha=0.1,
color="r")
plt.fill_between(train_sizes, test_scores_mean - test_scores_std,
test_scores_mean + test_scores_std, alpha=0.1, color="g")
plt.plot(train_sizes, train_scores_mean, 'o-', color="r",
label="Training score")
plt.plot(train_sizes, test_scores_mean, 'o-', color="g",
label="Cross-validation score")
plt.legend(loc="best")
return plt
# X是2310行,37列的数据
X = train_data.values
y = train_target.values
# 图一
title = r"LinearRegression"
# ShuffleSplit:将样例打散,随机取出20%的数据作为测试集,这样取出100次,
cv = ShuffleSplit(n_splits=100, test_size=0.2, random_state=0)
estimator = LinearRegression() #建模
plot_learning_curve(estimator, title, X, y, ylim=(0.5, 1), cv=cv, n_jobs=1)
输出:
参考文章:
Sklearn — 检视过拟合Learning curve.
官方文档.
sklearn中的学习曲线learning_curve函数.
好耶好耶。