我首先使用train_test_split來分離訓練和測試數據，代碼：X=LOG.iloc[:,:-3]y=LOG.iloc[:,-3]X_train,X_test,y_train, y_test=train_test_split(X,y)scaler=MinMaxScaler().fit(X)X_train_scaled=scaler.transform(X_train)X_test_scaled=scaler.transform(X_test)for thisalpha in [0.1,1,10]: mlpreg=MLPRegressor(hidden_layer_sizes=(11,8,4), activation ="tanh", alpha = thisalpha, solver ="lbfgs",max_iter=20000).fit(X_train_scaled, y_train) y_test_predict = mlpreg.predict(X_test_scaled) y_train_predict= mlpreg.predict(X_train_scaled) print "aipha = {}, train score= {:.4f}, test score = {:.4f}, iter_number={}, loss={:.4f}".format( thisalpha, mlpreg.score(X_train_scaled,y_train), mlpreg.score(X_test_scaled,y_test), mlpreg.n_iter_, mlpreg.loss_)我得到這樣的表現：aipha = 0.1，訓練分數 = 0.7696，測試分數 = 0.7358aipha = 1，訓練分數 = 0.7419，測試分數 = 0.7219aipha = 10，訓練分數 = 0.6414，測試分數 = 0.6494然后我嘗試使用交叉驗證來測試相同的數據集，我得到的分數要低得多：X=LOG.iloc[:,:-3]y=LOG.iloc[:,-3]scaler= MinMaxScaler()X_scaled=scaler.fit_transform(X)clf=MLPRegressor(hidden_layer_sizes=(11,8,4),alpha= 1,solver="lbfgs",max_iter=20000)scores = cross_val_score(clf,X_scaled,y,cv=3) print scorescross_val_score 是：[0.04719619 0.36858483 0.36004186]
2 回答
Cats萌萌
TA貢獻1805條經驗 獲得超9個贊
我找到了問題所在。我的數據實際上是以“堆?！钡姆绞椒胖玫模核蓄?one 在頂部，然后類 n 在底部。所以它給了我奇怪的結果。我是這樣改代碼的，需要先把數據打亂，然后再用交叉驗證的方法。
kfold = KFold(n_splits=3,shuffle=True,random_state=0)
X_scaled=scaler.fit_transform(X)
clf=MLPRegressor(hidden_layer_sizes=(11,8,4),alpha= 1,solver="lbfgs",max_iter=20000)
scores = cross_val_score(clf,X_scaled,y,cv=kfold)
print scores
我得到的分數是這樣的：
[0.68697805 0.70411961 0.69466066]
絕地無雙
TA貢獻1946條經驗 獲得超4個贊
查看您的代碼，也許這是因為您activation="tanh"在運行交叉驗證模型時遺漏了。否則，我能看到的唯一真正區別是，您在第一種情況下測試了 25% 的數據，而在第二種情況下則為 33%。這不會像您展示的那樣顯著影響準確性。
請注意，您不應使用驗證/測試集來擬合縮放器，因為這會將模型（間接）暴露給您的測試數據。這在第一種情況下很容易解決，但在使用cross_val_score.
添加回答
舉報
0/150
提交
取消