btc_ml.cross_val_roc_auc_score(fiter_type=ml.EMLFitType.E_FIT_REG) 

cross_val_roc_auc_score not support reg! 

上述输出显示函数不支撑回归器，因为内部实现中经由过程entry_wrapper装潢器声清楚明了只支撑E_FIT_CLF，即分类器：

@entry_wrapper(support=(EMLFitType.E_FIT_CLF,)) 
def cross_val_roc_auc_score(self, cv=10, **kwargs): 
    """ 
    被装潢器entry_wrapper(support=(EMLFitType.E_FIT_CLF,))装潢， 
    即支撑有监督进修分类，应用cross_val_score对数据进行roc_auc度量，如不雅数据的y的 
    label标签 > 2，经由过程label_binarize将label标签进行二值化处理， 
    依次计算二值化的列的roc_auc，结不雅返回score最好的数据度量 
    :param cv: 透传cross_val_score的参数，默认10 
    :param kwargs: 外部可以传递x, y, 经由过程 
                            x = kwargs.pop('x', self.x) 
                            y = kwargs.pop('y', self.y) 
                   肯定传递self._do_cross_val_score中参数x，y， 
                   以及装潢器应用的fiter_type，eg： 
                   ttn_abu.cross_val_roc_auc_score(fiter_type=ml.EMLFitType.E_FIT_REG) 
    :return: cross_val_score返回的score序列， 
             eg: array([ 1.  ,  0.9 ,  1.  ,  0.9 ,  1.  ,  0.9 ,  1.  ,  0.9 ,  0.95,  1.  ]) 
    """ 
    x = kwargs.pop('x', self.x) 
    y = kwargs.pop('y', self.y) 
    return self._do_cross_val_score(x, y, cv, _EMLScoreType.E_SCORE_ROC_AUC.value)  

更多详情实现请浏览源代码AbuML

下面应用train_test_split_xy查看练习集输出的precision_score，recall_score，混淆矩阵，以及f1等度量结不雅：

1. btc_ml.train_test_split_xy()  

x-y:(1363, 48)-(1363,) 
train_x-train_y:(1226, 48)-(1226,) 
test_x-test_y:(137, 48)-(137,) 
accuracy = 0.77 
precision_score = 0.62 
recall_score = 0.39 
          Predicted 
         |  0  |  1  | 
         |-----|-----| 
       0 |  90 |   9 | 	
			
 7/10   首页 上一页 5 6 7 8 9 10 下一页 尾页
	
			

　　推荐阅读
　　数据分析 让零售业再现生机
            
            瞬息万变的经济情况、难以捉摸的零售业发卖情况、日益冷僻典大年夜型卖场–这一切都给本土零售业带来了重重艰苦。然则，我们也在黑阴郁看到了一线曙光。进入数字时代，技巧和数据的有>>>详细阅读


本文标题：关于机器学习与比特币的示例
地址：http://www.17bianji.com/lsqh/37053.html
 1/2    1