Python 3.x 什么时候我必须使用scikit学习的fit方法?
我不明白什么时候我必须使用scikit学习的fit方法 在此网页中: 这里有一个使用pipeline+StandardScaler的示例。未使用拟合方法 但在另一个例子中: 还有一个StandardScaler和一个fit方法 这是我的代码:管道+Robustscaler:Python 3.x 什么时候我必须使用scikit学习的fit方法?,python-3.x,scikit-learn,svm,Python 3.x,Scikit Learn,Svm,我不明白什么时候我必须使用scikit学习的fit方法 在此网页中: 这里有一个使用pipeline+StandardScaler的示例。未使用拟合方法 但在另一个例子中: 还有一个StandardScaler和一个fit方法 这是我的代码:管道+Robustscaler: result_list = [] for name in ["AWA","Rem","S1","S2","SWS","SX", "ALL"]: x=sio.loadmat('/home/{}_E.mat'.for
result_list = []
for name in ["AWA","Rem","S1","S2","SWS","SX", "ALL"]:
x=sio.loadmat('/home/{}_E.mat'.format(name))['x']
s_y=sio.loadmat('/home/{}_E.mat'.format(name))['y']
y=np.ravel(s_y)
print(name, x.shape, y.shape)
print("")
#Create a pipeline
clf = make_pipeline(preprocessing.RobustScaler(), SVC(cache_size=1000, kernel='rbf'))
###################10x20 SSS##################################
print("10x20")
xSSSmean20 = []
for i in range(10):
sss= StratifiedShuffleSplit(y, 20, test_size=0.1, random_state=i)
scoresSSS=cross_validation.cross_val_score(clf, x, y, cv=sss)
xSSSmean20.append(scoresSSS.mean())
result_list.append(xSSSmean20)
print("")
若要训练您的分类器,您必须将其纳入训练数据集中 第一个链接也会这样做,但并不是因为它没有显式地出现在代码段中,所以它不会这样做: 方法
cross\u val\u score
使用模型
,该模型是将其与数据进行拟合的估计器
看看“cross_val_score”方法的实现,尝试了解它是如何工作的,而不是在不了解它的功能的情况下使用它
是要参考的GitHub中的函数和实现的文档
忠告:
当你不理解某些东西时,试着去挖掘代码。你会学到很多 为什么这是一个糟糕的问题?因为没有使用拟合方法。是一个错误的陈述。它用于
cross\u val\u score
Ok。非常感谢。我不知道。