<\/p>\n
Bei der Anpassung von Modellen f\u00fcr maschinelles Lernen<\/a> an Datens\u00e4tze teilen wir den Datensatz h\u00e4ufig in zwei S\u00e4tze auf:<\/span><\/p>\n 1. Trainingssatz:<\/strong> Wird zum Trainieren des Modells verwendet (70\u201380 % des Originaldatensatzes).<\/span><\/p>\n 2. Testsatz:<\/strong> Wird verwendet, um eine unvoreingenommene Sch\u00e4tzung der Modellleistung zu erhalten (20\u201330 % des urspr\u00fcnglichen Datensatzes).<\/span><\/p>\n In Python gibt es zwei g\u00e4ngige M\u00f6glichkeiten, einen Pandas-DataFrame in einen Trainingssatz und einen Testsatz aufzuteilen:<\/span><\/p>\n Methode 1: Verwenden Sie train_test_split() von sklearn<\/strong><\/span><\/p>\n Methode 2: Verwenden Sie sample() von Pandas<\/strong><\/span><\/p>\n Die folgenden Beispiele zeigen, wie jede Methode mit dem folgenden Pandas DataFrame verwendet wird:<\/span><\/p>\n Der folgende Code zeigt, wie die Funktion train_test_split()<\/strong> von sklearn<\/strong> verwendet wird, um den Pandas-DataFrame in Trainings- und Tests\u00e4tze aufzuteilen:<\/span><\/span><\/p>\n Aus dem Ergebnis k\u00f6nnen wir erkennen, dass zwei S\u00e4tze erstellt wurden:<\/span><\/p>\n Beachten Sie, dass test_size<\/strong> den Prozentsatz der Beobachtungen aus dem urspr\u00fcnglichen DataFrame steuert, die zum Testsatz geh\u00f6ren, und dass der Wert random_state<\/strong> die Aufteilung reproduzierbar macht.<\/span><\/p>\n Der folgende Code zeigt, wie Sie mit der Funktion pandas<\/b> sample()<\/strong> den Pandas DataFrame in Trainings- und Tests\u00e4tze aufteilen:<\/span><\/p>\n Aus dem Ergebnis k\u00f6nnen wir erkennen, dass zwei S\u00e4tze erstellt wurden:<\/span><\/p>\n Beachten Sie, dass \u201efrac\u201c<\/b> den Prozentsatz der Beobachtungen aus dem urspr\u00fcnglichen DataFrame steuert, die zum Trainingssatz geh\u00f6ren, und dass der Wert \u201erandom_state\u201c<\/strong> die Aufteilung reproduzierbar macht.<\/span><\/p>\n Die folgenden Tutorials erkl\u00e4ren, wie Sie andere h\u00e4ufige Aufgaben in Python ausf\u00fchren:<\/span><\/p>\n So f\u00fchren Sie eine logistische Regression in Python durch<\/a> Bei der Anpassung von Modellen f\u00fcr maschinelles Lernen an Datens\u00e4tze teilen wir den Datensatz h\u00e4ufig in zwei S\u00e4tze auf: 1. Trainingssatz: Wird zum Trainieren des Modells verwendet (70\u201380 % des Originaldatensatzes). 2. Testsatz: Wird verwendet, um eine unvoreingenommene Sch\u00e4tzung der Modellleistung zu erhalten (20\u201330 % des urspr\u00fcnglichen Datensatzes). In Python gibt es zwei g\u00e4ngige M\u00f6glichkeiten, […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n from<\/span> sklearn. model_selection<\/span> import<\/span> train_test_split\n\ntrain, test = train_test_split(df, test_size= 0.2<\/span> , random_state= 0<\/span> )<\/strong><\/pre>\n train = df. sample<\/span> (frac= 0.8<\/span> , random_state= 0<\/span> )\ntest = df. drop<\/span> ( train.index<\/span> )<\/strong><\/pre>\n import<\/span> pandas as<\/span> pd\nimport<\/span> numpy as<\/span> np\n\n#make this example reproducible\n<\/span>n.p. random<\/span> . seeds<\/span> (1)\n\n#create DataFrame with 1,000 rows and 3 columns\n<\/span>df = pd. DataFrame<\/span> (<\/span> {' x1<\/span> ': np.random.randint<\/span> (30,size=1000),\n ' x2<\/span> ': np. random<\/span> . randint<\/span> (12, size=1000),\n ' y<\/span> ': np. random<\/span> . randint<\/span> (2, size=1000)})\n\n#view first few rows of DataFrame<\/span>\ndf. head<\/span> ()\n\n x1 x2 y\n0 5 1 1\n1 11 8 0\n2 12 4 1\n3 8 7 0\n4 9 0 0\n<\/strong><\/pre>\n Beispiel 1: Verwenden Sie train_test_split() von sklearn<\/strong><\/span><\/h3>\n
from<\/span> sklearn. model_selection<\/span> import<\/span> train_test_split\n\n#split original DataFrame into training and testing sets\n<\/span>train, test = train_test_split(df, test_size= 0.2<\/span> , random_state= 0<\/span> )\n\n#view first few rows of each set<\/span>\nprint<\/span> ( train.head<\/span> ())\n\n x1 x2 y\n687 16 2 0\n500 18 2 1\n332 4 10 1\n979 2 8 1\n817 11 1 0\n\nprint<\/span> ( test.head<\/span> ())\n\n x1 x2 y\n993 22 1 1\n859 27 6 0\n298 27 8 1\n553 20 6 0\n672 9 2 1\n\n#print size of each set<\/span>\nprint<\/span> (train. shape<\/span> , test. shape<\/span> )\n\n(800, 3) (200, 3)\n<\/strong><\/pre>\n\n
Beispiel 2: Verwenden Sie sample() von Pandas<\/strong><\/span><\/h3>\n
#split original DataFrame into training and testing sets\n<\/span>train = df. sample<\/span> (frac= 0.8<\/span> , random_state= 0<\/span> )\ntest = df. drop<\/span> ( train.index<\/span> )\n\n#view first few rows of each set<\/span>\nprint<\/span> ( train.head<\/span> ())\n\n x1 x2 y\n993 22 1 1\n859 27 6 0\n298 27 8 1\n553 20 6 0\n672 9 2 1\n\nprint<\/span> ( test.head<\/span> ())\n\n x1 x2 y\n9 16 5 0\n11 12 10 0\n19 5 9 0\n23 28 1 1\n28 18 0 1\n\n#print size of each set<\/span>\nprint<\/span> (train. shape<\/span> , test. shape<\/span> )\n\n(800, 3) (200, 3)\n<\/strong><\/pre>\n\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So erstellen Sie eine Verwirrungsmatrix in Python<\/a>
So berechnen Sie die ausgewogene Pr\u00e4zision in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"