下面经由过程plot_roc_estimator绘制roc曲线：

btc_ml.plot_roc_estimator() 

下面经由过程plot_confusion_matrices绘制混淆矩阵：

btc_ml.plot_confusion_matrices() 

[[915 65] 
 
[183 200]]  

下面经由过程plot_decision_function绘制决定计划界线，因为绘制2d图，内部已经应用pca将数据特点降维后再绘制：

btc_ml.random_forest_classifier_best() 
 
start grid search please wait...  

btc_ml.plot_decision_function() 

下面经由过程plot_graphviz_tree绘制逻辑决定计划图：

RandomForestClassifier not hasattr tree_, use decision tree WordStr 

下面使悠揭捉?练集数据btc_train_raw做为参数采取组合特点，从新组合好的特点如tail所示：

下面经由过程feature_selection对特点的支撑度进行评级：

pd.options.display.max_rows = 48 
 
btc_ml.feature_selection(show=False).sort_values(by='ranking') 

下面经由过程importances_coef_pd对特点的重要程度进行量化：

btc_ml.importances_coef_pd().sort_values(by='importance')[::-1] 

3. 测试集的验证与非均衡技巧

btc_test0 = btc_siblings_df(btc_test_raw) 
btc_test1 = btc_siblings_df(btc_test_raw[1:]) 
btc_test2 = btc_siblings_df(btc_test_raw[2:]) 
btc_test = pd.concat([btc_test0, btc_test1, btc_test2]) 	
			
 8/10   首页 上一页 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