机器学习测试笔记(22)——综合_散点图(下)

简介: 机器学习测试笔记(22)——综合_散点图(下)

4.3 决策树

输出

DecisionTreeClassifier
训练集得分(max_depth=1): 63.39%
测试集得分(max_depth=1):65.79%
训练集得分(max_depth=3): 86.61%
测试集得分(max_depth=3):71.05%
训练集得分(max_depth=5): 88.39%
测试集得分(max_depth=5):68.42%(过拟合)
DecisionTreeRegressor
训练集得分(max_depth=1): 58.97%
测试集得分(max_depth=1):59.45%(欠拟合)
训练集得分(max_depth=3): 84.20%
测试集得分(max_depth=3):69.89%(过拟合)
训练集得分(max_depth=5): 88.19%
测试集得分(max_depth=5):62.75%(过拟合)

微信图片_20230213231932.png

微信图片_20230213231938.png


4.4 K邻近算法

输出

KNeighborsClassifier
训练集得分(KNeighborsClassifier): 87.50%
测试集得分(KNeighborsClassifier):68.42%
KNeighborsRegressor
训练集得分(KNeighborsRegressor): 86.97%
测试集得分(KNeighborsRegressor):70.15%

微信图片_20230213232018.png

微信图片_20230213232022.png

4.5 贝叶斯算法

输出

BernoulliNB
训练集得分(BernoulliNB):33.93%
测试集得分(BernoulliNB):31.58%(欠拟合)
GaussianNB
训练集得分(GaussianNB): 83.04%
测试集得分(GaussianNB):68.42%
MultinomialNB
训练集得分(MultinomialNB): 66.07%
测试集得分(MultinomialNB):65.79%(欠拟合)

微信图片_20230213232059.png

微信图片_20230213232103.png

微信图片_20230213232108.png


4.6 SVM

输出

SVC
训练集得分(kernel=linear): 83.04%
测试集得分(kernel=linear):71.05%
训练集得分(kernel=rbf): 83.93%
测试集得分(kernel=rbf):71.05%
训练集得分(kernel=sigmoid):33.93%
测试集得分(kernel=sigmoid):31.58%(欠拟合)
训练集得分(kernel=poly): 85.71%
测试集得分(kernel=poly):71.05%
训练集得分(gamma=0.1): 83.93%
测试集得分(gamma=0.1):71.05%
训练集得分(gamma=1): 84.82%
测试集得分(gamma=1):71.05%
训练集得分(gamma=10): 88.39%
测试集得分(gamma=10):68.42%
训练集得分(C=1.0): 83.93%
测试集得分(C=1.0):71.05%
训练集得分(C=3.0): 85.71%
测试集得分(C=3.0):68.42%
训练集得分(C=5.0): 84.82%
测试集得分(C=5.0):71.05%
SVR
训练集得分(kernel=linear): 72.24%
测试集得分(kernel=linear):70.81%
训练集得分(kernel=rbf): 78.14%
测试集得分(kernel=rbf):67.68%
训练集得分(kernel=sigmoid):-0.00%
测试集得分(kernel=sigmoid):-0.00%(欠拟合)
训练集得分(kernel=poly): 74.86%
测试集得分(kernel=poly):63.64%
训练集得分(gamma=0.1): 77.03%
测试集得分(gamma=0.1):70.56%
训练集得分(gamma=1): 81.50%
测试集得分(gamma=1):64.05%
训练集得分(gamma=10): 86.63%
测试集得分(gamma=10):61.78%
训练集得分(C=1.0): 78.14%
测试集得分(C=1.0):67.68%
训练集得分(C=3.0): 78.90%
测试集得分(C=3.0):66.10%
训练集得分(C=5.0): 79.22%
测试集得分(C=5.0):65.32%
LinearSVC
训练集得分(C=1.0): 83.93%
测试集得分(C=1.0):68.42%
训练集得分(C=3.0): 84.82%
测试集得分(C=3.0):68.42%
训练集得分(C=5.0): 83.93%
测试集得分(C=5.0):68.42%
LinearSVR
训练集得分(C=1.0): 71.61%
测试集得分(C=1.0):70.75%
训练集得分(C=3.0): 72.21%
测试集得分(C=3.0):71.15%
训练集得分(C=5.0): 72.43%
测试集得分(C=5.0):71.37%
  • 微信图片_20230213232204.png
  • 微信图片_20230213232208.png

微信图片_20230213232212.png

微信图片_20230213232216.png


SVCSVR中,gamma越大,包围圈越小


4.7聚类

微信图片_20230213232259.png

微信图片_20230213232303.png

微信图片_20230213232307.png


4.8 神经网络

输出

MLPClassifier
训练集得分(activation=relu): 86.61%
测试集得分(activation=relu):71.05%
训练集得分(activation=tanh): 87.50%
测试集得分(activation=tanh):71.05%
训练集得分(activation=identity): 85.71%
测试集得分(activation=identity):68.42%(过拟合)
训练集得分(activation=logistic): 91.07%
测试集得分(activation=logistic):68.42%(过拟合)
训练集得分(alpha=0.0001): 85.71%
测试集得分(alpha=0.0001):71.05%
训练集得分(alpha=0.001): 84.82%
测试集得分(alpha=0.001):71.05%
训练集得分(alpha=0.01):33.93%
测试集得分(alpha=0.01):31.58%(欠拟合)
训练集得分(alpha=1): 85.71%
测试集得分(alpha=1):71.05%
MLPRegressor
训练集得分(activation=relu): 83.68%
测试集得分(activation=relu):70.17%
训练集得分(activation=tanh): 84.25%
测试集得分(activation=tanh):69.02%
训练集得分(activation=identity): 72.99%
测试集得分(activation=identity):71.12%
训练集得分(activation=logistic): 85.25%
测试集得分(activation=logistic):67.18%
训练集得分(alpha=0.0001): 83.99%
测试集得分(alpha=0.0001):70.05%
训练集得分(alpha=0.001): 72.99%
测试集得分(alpha=0.001):71.12%
训练集得分(alpha=0.01): 84.42%
测试集得分(alpha=0.01):68.65%
训练集得分(alpha=1): 83.20%
测试集得分(alpha=1):71.39%

微信图片_20230213232354.png

微信图片_20230213232359.png


4.9 集成学习

输出

AdaBoostClassifier
训练集得分(AdaBoostClassifier): 50.89%
测试集得分(AdaBoostClassifier):36.84% (欠拟合)
AdaBoostRegressor
训练集得分(AdaBoostRegressor): 82.37%
测试集得分(AdaBoostRegressor):74.00%
BaggingClassifier
BaggingRegressor
VotingClassifier
训练集得分(voting=hard): 84.82%
测试集得分(voting=hard):68.42%
训练集得分(voting=soft): 92.86%
测试集得分(voting=soft):68.42% (过拟合)

微信图片_20230213232438.png

微信图片_20230213232442.png

微信图片_20230213232447.png


微信图片_20230213232531.png


4.10 降维

输出

LinearDiscriminantAnalysis
训练集得分(LinearDiscriminantAnalysis):85.71%
测试集得分(LinearDiscriminantAnalysis):73.68%

微信图片_20230213232602.png

微信图片_20230213232607.png

微信图片_20230213232610.png

—————————————————————————————————


软件安全测试

https://study.163.com/course/courseMain.htm?courseId=1209779852&share=2&shareId=480000002205486

接口自动化测试

https://study.163.com/course/courseMain.htm?courseId=1209794815&share=2&shareId=480000002205486

DevOps 和Jenkins之DevOps

https://study.163.com/course/courseMain.htm?courseId=1209817844&share=2&shareId=480000002205486

DevOps与Jenkins 2.0之Jenkins

https://study.163.com/course/courseMain.htm?courseId=1209819843&share=2&shareId=480000002205486

Selenium自动化测试

https://study.163.com/course/courseMain.htm?courseId=1209835807&share=2&shareId=480000002205486

性能测试第1季:性能测试基础知识

https://study.163.com/course/courseMain.htm?courseId=1209852815&share=2&shareId=480000002205486

性能测试第2季:LoadRunner12使用

https://study.163.com/course/courseMain.htm?courseId=1209980013&share=2&shareId=480000002205486

性能测试第3季:JMeter工具使用

https://study.163.com/course/courseMain.htm?courseId=1209903814&share=2&shareId=480000002205486

性能测试第4季:监控与调优

https://study.163.com/course/courseMain.htm?courseId=1209959801&share=2&shareId=480000002205486

Django入门

https://study.163.com/course/courseMain.htm?courseId=1210020806&share=2&shareId=480000002205486

啄木鸟顾老师漫谈软件测试

https://study.163.com/course/courseMain.htm?courseId=1209958326&share=2&shareId=480000002205486

目录
相关文章
|
存储 数据可视化 测试技术
一个测试工程师的实战笔记:我是如何在Postman和Apipost之间做出选择的?
优秀的API测试工具应该具备: 分层设计:既有可视化操作,也开放代码层深度定制 场景感知:自动识别加密需求推荐处理方案 协议包容:不强迫开发者为了不同协议切换工具 数据主权:允许自主选择数据存储位置
370 7
|
机器学习/深度学习 JSON 算法
语义分割笔记(二):DeepLab V3对图像进行分割(自定义数据集从零到一进行训练、验证和测试)
本文介绍了DeepLab V3在语义分割中的应用,包括数据集准备、模型训练、测试和评估,提供了代码和资源链接。
3836 0
语义分割笔记(二):DeepLab V3对图像进行分割(自定义数据集从零到一进行训练、验证和测试)
|
机器学习/深度学习 算法 UED
在数据驱动时代,A/B 测试成为评估机器学习项目不同方案效果的重要方法
在数据驱动时代,A/B 测试成为评估机器学习项目不同方案效果的重要方法。本文介绍 A/B 测试的基本概念、步骤及其在模型评估、算法改进、特征选择和用户体验优化中的应用,同时提供 Python 实现示例,强调其在确保项目性能和用户体验方面的关键作用。
546 6
|
机器学习/深度学习 算法 UED
在数据驱动时代,A/B 测试成为评估机器学习项目效果的重要手段
在数据驱动时代,A/B 测试成为评估机器学习项目效果的重要手段。本文介绍了 A/B 测试的基本概念、步骤及其在模型评估、算法改进、特征选择和用户体验优化中的应用,强调了样本量、随机性和时间因素的重要性,并展示了 Python 在 A/B 测试中的具体应用实例。
369 1
|
机器学习/深度学习 弹性计算 自然语言处理
前端大模型应用笔记(二):最新llama3.2小参数版本1B的古董机测试 - 支持128K上下文,表现优异,和移动端更配
llama3.1支持128K上下文,6万字+输入,适用于多种场景。模型能力超出预期,但处理中文时需加中英翻译。测试显示,其英文支持较好,中文则需改进。llama3.2 1B参数量小,适合移动端和资源受限环境,可在阿里云2vCPU和4G ECS上运行。
907 1
|
JSON 算法 数据可视化
测试专项笔记(一): 通过算法能力接口返回的检测结果完成相关指标的计算(目标检测)
这篇文章是关于如何通过算法接口返回的目标检测结果来计算性能指标的笔记。它涵盖了任务描述、指标分析(包括TP、FP、FN、TN、精准率和召回率),接口处理,数据集处理,以及如何使用实用工具进行文件操作和数据可视化。文章还提供了一些Python代码示例,用于处理图像文件、转换数据格式以及计算目标检测的性能指标。
382 0
测试专项笔记(一): 通过算法能力接口返回的检测结果完成相关指标的计算(目标检测)
|
机器学习/深度学习 并行计算 数据可视化
目标分类笔记(二): 利用PaddleClas的框架来完成多标签分类任务(从数据准备到训练测试部署的完整流程)
这篇文章介绍了如何使用PaddleClas框架完成多标签分类任务,包括数据准备、环境搭建、模型训练、预测、评估等完整流程。
1243 0
目标分类笔记(二): 利用PaddleClas的框架来完成多标签分类任务(从数据准备到训练测试部署的完整流程)
|
机器学习/深度学习 数据采集 人工智能
自动化测试的未来:AI与机器学习的融合之路
【10月更文挑战第41天】随着技术的快速发展,软件测试领域正经历一场由人工智能和机器学习驱动的革命。本文将探讨这一趋势如何改变测试流程、提高测试效率以及未来可能带来的挑战和机遇。我们将通过具体案例分析,揭示AI和ML在自动化测试中的应用现状及其潜力。
398 0
|
机器学习/深度学习 存储 搜索推荐
利用机器学习算法改善电商推荐系统的效率
电商行业日益竞争激烈,提升用户体验成为关键。本文将探讨如何利用机器学习算法优化电商推荐系统,通过分析用户行为数据和商品信息,实现个性化推荐,从而提高推荐效率和准确性。
649 14
|
机器学习/深度学习 算法 搜索推荐
Machine Learning机器学习之决策树算法 Decision Tree(附Python代码)
Machine Learning机器学习之决策树算法 Decision Tree(附Python代码)

热门文章

最新文章