Ich benutze die unten, um Ausgabe von Schätzer.Verbessere Python SKLearn CrossValidation Ausgabe
Gibt es einen schnelleren Weg zur Validierung anhand von Scores?
for clfx, label in zip([clf0], ['Random Forest']):
scores = cross_validation.cross_val_score(clfx, X, y, cv=5, scoring='accuracy')
print "Accuracy : %0.3f (+/- %0.2f) [%s]" % (scores.mean(), scores.std(), label)
scores = cross_validation.cross_val_score(clfx, X, y, cv=5, scoring='precision')
print "Precision: %0.3f (+/- %0.2f) [%s] " % (scores.mean(), scores.std(), label)
scores = cross_validation.cross_val_score(clfx, X, y, cv=5, scoring='recall')
print "Recall : %0.3f (+/- %0.2f) [%s] \n" % (scores.mean(), scores.std(), label)
Ausgang:
Accuracy : 0.82 (+/- 0.00) [Random Forest]
Precision: 0.50 (+/- 0.02) [Random Forest]
Recall : 0.13 (+/- 0.01) [Random Forest]
Ist das übertrieben und ich sollte die Verwirrung Matrix aus einem Lauf verwenden?
sicher, ich habe Multiprozessing – maxymoo
zu verwenden, neu geschrieben ich bin verwirrt durch Code. Können Sie bitte einzelne Prozesse verlassen und multi-process ans einschließen. Ich kann nicht herausfinden, wie man etwas wie: zip ([clf0], ['Random Forest']) für clfx verwendet. Ich kann den Einstiegspunkt nicht sehen. – Merlin
ok ich habe die ursprüngliche Antwort auch – maxymoo