机器学习 + Python：绘制验证曲线

Posted 2023-03-12

【中文标题】机器学习 + Python：绘制验证曲线

【英文标题】：Machine Learning + Python : Drawing Validation curve

【发布时间】：2019-03-14 00:10:25

【问题描述】：

我想为我的朴素贝叶斯估计器绘制一条验证曲线，如下所示：

http://scikit-learn.org/stable/auto_examples/model_selection/plot_validation_curve.html

我不明白什么是训练分数。

谁能解释一下？

【问题讨论】：

训练分数是在训练集上的分数。在链接中给出的示例中，在应用交叉验证时计算平均值（即准确度）。该曲线显示了不同伽玛值的训练数据和验证数据的平均准确度。

@prashanth ：我明白这一点，但我不知道训练分数是如何计算的。 nagrom97 已经解决了我的疑惑。

【参考方案1】：

训练分数是在训练过程中获得的分数。例如，当您调用 yourmodel.fit(x_train, y_train) 之类的名称时，在本例中为橙色线。在幕后，您的模型根据您的 y_train（您的标签/结果，例如下雨或不下雨）对您的 x_train 数据（您的特征，例如温度或湿度）进行预测）。 非常粗略，训练分数是根据您的模型正确预测的次数计算得出的。例如，您的模型的得分可能为 0.9436..（大约 94%），这意味着您的机器学习模型在 94% 的时间内输出了正确的决策。您经常会发现，在训练期间，模型的得分往往高于在测试集上的得分。您可以看到橙色线看起来好像是 1.0，有效得分为 100%，但交叉验证（测试）得分最高得分略低于 100%，这是更常见的景象。

假设得分为 1.0 意味着您的模型是完美的，这可能是危险的，这就是 过度拟合 出现的地方，这在较高的水平上意味着您的模型与您的训练过于紧密数据，并且不能很好地推广到新数据。我建议查看this 了解更多信息，Sci-Kit 学习网站有很好的文档。

【讨论】：

我无法理解。能否请您详细解释一下如何计算训练分数？

嘿@Debbie 我已经为你添加了更多细节。

这里没有指定任何指标来计算训练分数，就像我可以选择任何指标，如准确率、f1 分数我选择的任何指标来计算交叉验证分数：yourmodel.fit(x_train, y_train)跨度>

@Debbie 我不确定你的意思。您需要帮助计算训练分数吗？

是的，我需要帮助。我问的是计算验证核心，我们可以明确提及一些指标。同样如何提及指标来计算训练分数？