RandomForestClassifier隨機(jī)森林分類預(yù)測(cè)

RandomForestClassifier用于分類劃分預(yù)測(cè)回歸

##開始建立模型，隨機(jī)森林預(yù)測(cè) from sklearn.ensemble import RandomForestClassifier ## rf = RandomForestClassifier(n_estimators=150,min_samples_leaf=2,max_depth=6,oob_score=True) rf.fit(train_data_X,train_data_Y) rf.oob_score_ ##包外評(píng)估分?jǐn)?shù)test_data_X=test_data_X.drop(['Name','Ticket'],axis=1) test["Survived"] = rf.predict(test_data_X)

svm分類

注意這是svm中的一個(gè)分類器。linearSVC是svm的一個(gè)線性分類器

from sklearn.svm import SVC, LinearSVC svc = SVC() svc.fit(X_train, Y_train) Y_pred = svc.predict(X_test) acc_svc = round(svc.score(X_train, Y_train) * 100, 2) #測(cè)試得分 acc_svc

KNN分類

樣本按其鄰居的多數(shù)票進(jìn)行分類，樣本被分配給其k個(gè)最近鄰居中最常見的類（k是正整數(shù)，通常很小）。 如果k = 1，則簡(jiǎn)單地將對(duì)象分配給該單個(gè)最近鄰居的類。

from sklearn.neighbors import KNeighborsClassifier knn = KNeighborsClassifier(n_neighbors = 3) knn.fit(X_train, Y_train) Y_pred = knn.predict(X_test) acc_knn = round(knn.score(X_train, Y_train) * 100, 2) acc_knn #得分

貝葉斯分類

樸素貝葉斯分類器是一系列簡(jiǎn)單的概率分類器，它基于貝葉斯定理應(yīng)用特征之間的強(qiáng)（樸素）獨(dú)立假設(shè)。?樸素貝葉斯分類器具有高度可擴(kuò)展性，在學(xué)習(xí)問題中需要多個(gè)變量（特征）數(shù)量的線性參數(shù)。?

# Gaussian Naive Bayes from sklearn.naive_bayes import GaussianNB gaussian = GaussianNB() gaussian.fit(X_train, Y_train) Y_pred = gaussian.predict(X_test) acc_gaussian = round(gaussian.score(X_train, Y_train) * 100, 2) acc_gaussian #得分

感知器

感知器是用于二元分類器的監(jiān)督學(xué)習(xí)的算法（可以決定由數(shù)字向量表示的輸入是否屬于某個(gè)特定類的函數(shù)）。 它是一種線性分類器，即分類算法，其基于將一組權(quán)重與特征向量組合的線性預(yù)測(cè)器函數(shù)進(jìn)行其預(yù)測(cè)。 該算法允許在線學(xué)習(xí)，因?yàn)樗淮我粋€(gè)地處理訓(xùn)練集中的元素。?

# Perceptron from sklearn.linear_model import Perceptron from sklearn.linear_model import SGDClassifier from sklearn.tree import DecisionTreeClassifier perceptron = Perceptron() perceptron.fit(X_train, Y_train) Y_pred = perceptron.predict(X_test) acc_perceptron = round(perceptron.score(X_train, Y_train) * 100, 2) acc_perceptron #得分 # Linear SVC from sklearn.svm import SVC, LinearSVC linear_svc = LinearSVC() linear_svc.fit(X_train, Y_train) Y_pred = linear_svc.predict(X_test) acc_linear_svc = round(linear_svc.score(X_train, Y_train) * 100, 2) acc_linear_svc #得分 # Stochastic Gradient Descent from sklearn.linear_model import SGDClassifier sgd = SGDClassifier() sgd.fit(X_train, Y_train) Y_pred = sgd.predict(X_test) acc_sgd = round(sgd.score(X_train, Y_train) * 100, 2) acc_sgd #得分

決策樹

# Decision Tree from sklearn.tree import DecisionTreeClassifier decision_tree = DecisionTreeClassifier() decision_tree.fit(X_train, Y_train) Y_pred = decision_tree.predict(X_test) acc_decision_tree = round(decision_tree.score(X_train, Y_train) * 100, 2) acc_decision_tree #得分86.76

?

?

?

?

?

?

?

?

?

總結(jié)

以上是生活随笔為你收集整理的sklearn机器学习之分类预测算法应用的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。