train_test_split(Erstes Argument:Merkmalsmatrix X.,Zweites Argument:Zielvariable y, test_size(=0.3):Prozentsatz der Datengröße zum Testen, random_state= :Zufälliger Startwert beim Aufteilen von Daten)

random_state=Ein Wert von 0 macht die Ausgabe deterministisch und liefert immer das gleiche Ergebnis.(Zu Studienzwecken)

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(
    iris_dataset['data'], iris_dataset['target'], random_state=0)

import pandas as pd

#Referenz
pandas.DataFrame(data=None, index=None, columns=None, dtype=None, copy=False)

#Beispiel
iris_dataframe = pd.DataFrame(X_train, columns=iris_dataset.feature_names)

#Offizielle Referenz
pandas.plotting.scatter_matrix(frame, alpha=0.5, figsize=None, ax=None, grid=False, diagonal='hist', marker='.', density_kwds=None, hist_kwds=None, range_padding=0.05, **kwargs)

#Iris Beispiel
iris_dataframe = pd.DataFrame(X_train, columns=iris_dataset.feature_names)
grr = pd.plotting.scatter_matrix(iris_dataframe, c=y_train, figsize=(8, 8), marker='o',hist_kwds={'bins' : 20}, s=60, alpha=.8)

X_new = np.array([[5, 2.9, 1, 0.2]])

#Wichtige Methode

.fit(X, y)
#Passen Sie das Modell mit X als Trainingsdaten und y als Zielwert an

.predict(X)
#Sagen Sie die Klassenbezeichnung der bereitgestellten Daten voraus.

.score(X, y)
#Gibt die durchschnittliche Genauigkeit der angegebenen Testdaten und des angegebenen Etiketts zurück.

Recommended Posts