模型

1. 模型的一些通用方法：

   • get_params([deep])：返回模型的参数。

     • deep： 如果为True，则可以返回模型参数的子对象。

   • set_params(**params)：设置模型的参数。

     • params：待设置的关键字参数。

   • fit(X,y[,sample_weight])：训练模型。

     • X ：训练集样本集合。通常是一个numpy array，每行代表一个样本，每列代表一个特征。
     • y ：训练样本的标签集合。它与X 的每一行相对应。
     • sample_weight： 每个样本的权重。它与X 的每一行相对应。

   • predict(x)： 利用模型执行预测。返回一个预测结果序列。

     • X：测试集样本集合。通常是一个numpy array，每行代表一个样本，每列代表一个特征。

   • score(X,y[,sample_weight])：对模型进行评估，返回模型的性能评估结果。

     • X：验证集样本集合。通常是一个numpy array，每行代表一个样本，每列代表一个特征。
     • y：验证集样本的标签集合。它与X 的每一行相对应。
     • sample_weight： 每个样本的权重。它与X 的每一行相对应。

     对于分类模型，其评估的是accuracy ；对于回归模型，其评估的是R2 。

     如果希望有其它的评估指标，则可以执行predict() 方法，然后把预测结果、真实标记作为参数来调用一些打分函数即可。

2. 模型的一些通用参数：

   • n_jobs：一个正数，指定任务并形时指定的 CPU数量。

     如果为 -1 则使用所有可用的 CPU。

   • verbose：一个正数。用于开启/关闭迭代中间输出日志功能。

     • 数值越大，则日志越详细。
     • 数值为0或者None，表示关闭日志输出。

   • warm_start：一个布尔值。如果为True，那么使用前一次训练结果继续训练。否则从头开始训练。

   • max_iter ：一个整数，指定最大迭代次数。

     如果为None则为默认值（不同solver的默认值不同）。

   • random_state：一个整数或者一个RandomState实例，或者None。

     • 如果为整数，则它指定了随机数生成器的种子。
     • 如果为RandomState实例，则指定了随机数生成器。
     • 如果为None，则使用默认的随机数生成器。

3. 对于回归模型，其评估性能的指标为 。

   假设验证集为 ，真实标签记作 ,预测值记作 ，则有：

   

   其中 为所有真实标记的均值。

   根据定义有：

   • 不超过 1 ，但是有可能小于 0 。
   • 越大，模型的预测性能越好。