sklearn数据集拆分与模型训练实战详解

拾光

发布时间：2026-10-13 | 3人浏览过

原创

本文详细解析使用sklearn进行机器学习项目的基本流程，涵盖数据导入、train_test_split拆分、SVC模型训练及分类报告生成。重点演示标签二值化、GridSearchCV网格搜索调参以及K折交叉验证的具体实现，帮助开发者掌握从数据预处理到模型评估的完整技能。

在研修课程中，我们将两个典型案例进行了整合分析。

以下主要演示整个流程的大致步骤：

核心环节包括：数据导入、数据集拆分、模型训练以及生成模型评估报告。

同时，我们需要关注以下几个关键问题：

第一，标签的二值化处理。

第二，利用网格搜索法进行参数调整。

第三，实施K折交叉验证。

第四，引入噪声特征（此前章节已涉及）。

from sklearn import datasets
#从cross_validation导入会出现warning，说已弃用
from sklearn.model_selection import train-test_split
from sklearn.grid_search import GridSearchCV
from sklearn.metrics import classification_report
from sklearn.svm import SVC
import sklearn.exceptioins
#导入鸢尾花数据集
iris = datasets.load_iris()
#将数据集拆分为训练集和测试集各一半
#其中X为数据特征（花萼、花瓣的高度宽度），为150*4的矩阵
#Y为鸢尾花种类（0, 1, 2三种），为150*1矩阵
#如果使用标签二值化， 将0, 1, 2表示为100 010 001
#使用y.label_binarize(y, classes[0, 1, 2]),变为150*3矩阵
X_train, X_test, y_train, y_test = train_test_split(
iris.data, iris.target, test_size=0.5, random_state=0)
#set the parameters by cross_validation
turn_parameters = [{'kernel' : ['rbf', 'gamma' : [1e-3, 1e - 4, 'C':[1,10,100,1000]}, 
{'kernel':['linear'], 'C':[1,10,100,1000]}
]
#clf分离器
#使用网格搜索法调超参数
#训练集做5折交叉验证
clf = GridSearchCV(SVC(C=1), turned_parameters, cv=5, scoring='%s_weighted' % score)
#用前一半train数据再做5折交叉验证
#因为之前的train_test_split已经分割为2份了
#fit-拟合
clf.fit(X_train, y_train)
#超参数
print(clf.best_params_)
#得分
for params, mean_score, scores in clf.gird_scores_:
 print("%.3f (+/-%.0.03f) for %r" % (mean_score, scores.std()*1.96,params))
#分类报告
y_true, y_pred = y_test, clf.predict(X_test)
print(classification_report(y_true, y_pred))

以上就是对sklearn使用中数据集拆分与训练过程的详细解析（基于python3.6）。希望这些内容能为您提供参考，也欢迎大家继续支持本站。