机器学习测试笔记(22)——综合_散点图(下)

本文涉及的产品
性能测试 PTS,5000VUM额度
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

相关实践学习
通过性能测试PTS对云服务器ECS进行规格选择与性能压测
本文为您介绍如何利用性能测试PTS对云服务器ECS进行规格选择与性能压测。
目录
相关文章
|
1月前
|
机器学习/深度学习 JSON 算法
实例分割笔记(一): 使用YOLOv5-Seg对图像进行分割检测完整版(从自定义数据集到测试验证的完整流程)
本文详细介绍了使用YOLOv5-Seg模型进行图像分割的完整流程,包括图像分割的基础知识、YOLOv5-Seg模型的特点、环境搭建、数据集准备、模型训练、验证、测试以及评价指标。通过实例代码,指导读者从自定义数据集开始,直至模型的测试验证,适合深度学习领域的研究者和开发者参考。
360 3
实例分割笔记(一): 使用YOLOv5-Seg对图像进行分割检测完整版(从自定义数据集到测试验证的完整流程)
|
30天前
|
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。
|
1月前
|
机器学习/深度学习 计算机视觉 Python
模型预测笔记(三):通过交叉验证网格搜索机器学习的最优参数
本文介绍了网格搜索(Grid Search)在机器学习中用于优化模型超参数的方法,包括定义超参数范围、创建参数网格、选择评估指标、构建模型和交叉验证策略、执行网格搜索、选择最佳超参数组合,并使用这些参数重新训练模型。文中还讨论了GridSearchCV的参数和不同机器学习问题适用的评分指标。最后提供了使用决策树分类器进行网格搜索的Python代码示例。
54 1
|
1月前
|
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。
57 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)
|
1月前
|
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。
84 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)
|
1月前
|
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。
179 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)
|
1月前
|
机器学习/深度学习 数据采集 算法
目标分类笔记(一): 利用包含多个网络多种训练策略的框架来完成多目标分类任务(从数据准备到训练测试部署的完整流程)
这篇博客文章介绍了如何使用包含多个网络和多种训练策略的框架来完成多目标分类任务,涵盖了从数据准备到训练、测试和部署的完整流程,并提供了相关代码和配置文件。
46 0
目标分类笔记(一): 利用包含多个网络多种训练策略的框架来完成多目标分类任务(从数据准备到训练测试部署的完整流程)
|
6天前
|
JSON Java 测试技术
SpringCloud2023实战之接口服务测试工具SpringBootTest
SpringBootTest同时集成了JUnit Jupiter、AssertJ、Hamcrest测试辅助库,使得更容易编写但愿测试代码。
34 3
|
2月前
|
移动开发 JSON Java
Jmeter实现WebSocket协议的接口测试方法
WebSocket协议是HTML5的一种新协议,实现了浏览器与服务器之间的全双工通信。通过简单的握手动作,双方可直接传输数据。其优势包括极小的头部开销和服务器推送功能。使用JMeter进行WebSocket接口和性能测试时,需安装特定插件并配置相关参数,如服务器地址、端口号等,还可通过CSV文件实现参数化,以满足不同测试需求。
237 7
Jmeter实现WebSocket协议的接口测试方法
|
2月前
|
JSON 移动开发 监控
快速上手|HTTP 接口功能自动化测试
HTTP接口功能测试对于确保Web应用和H5应用的数据正确性至关重要。这类测试主要针对后台HTTP接口,通过构造不同参数输入值并获取JSON格式的输出结果来进行验证。HTTP协议基于TCP连接,包括请求与响应模式。请求由请求行、消息报头和请求正文组成,响应则包含状态行、消息报头及响应正文。常用的请求方法有GET、POST等,而响应状态码如2xx代表成功。测试过程使用Python语言和pycurl模块调用接口,并通过断言机制比对实际与预期结果,确保功能正确性。
247 3
快速上手|HTTP 接口功能自动化测试