通过sklearn展示过拟合&欠拟合

通过sklearn展示过拟合&欠拟合

（1）过拟合与欠拟合定义

过拟合：创建的机器学习和深度学习模型在进行训练的时，表现的过于优越；

欠拟合：创建的机器学习和深度学习模型没有很好的捕捉到数据特征，不能很好地拟合数据；

（2）使用sklearn展示过拟合&欠拟合

import numpy as npimport matplotlib.pyplot as pltfrom sklearn.pipeline import Pipelinefrom sklearn.preprocessing import PolynomialFeaturesfrom sklearn.linear_model import LinearRegressionfrom sklearn.model_selection import cross_val_scoredef true_fun(X): return np.sin(1.5 * np.pi * X)np.random.seed(0)n_samples = 30degrees = [1, 4, 15]X = np.sort(np.random.rand(n_samples)) #产生随机样本，并进行排序y = true_fun(X) + np.random.randn(n_samples) * 0.1 #在真实函数的基础上添加噪声plt.figure(figsize=(14, 5)) #设置图像的大小for i in range(len(degrees)): ax = plt.subplot(1, len(degrees), i + 1) #分配显示图 plt.setp(ax, xticks=(), yticks=()) #分别生成1次、4次、15次多项式 polynomial_features = PolynomialFeatures(degree=degrees[i], include_bias=False) linear_regression = LinearRegression() # pipeline将数据处理和模型拟合结合在一起 pipeline = Pipeline([("polynomial_features", polynomial_features), ("linear_regression", linear_regression)]) pipeline.fit(X[:, np.newaxis], y) # 使用交叉验证评估模型 scores = cross_val_score(pipeline, X[:, np.newaxis], y, scoring="neg_mean_squared_error", cv=10) #绘制结果图 X_test = np.linspace(0, 1, 100) plt.plot(X_test, pipeline.predict(X_test[:, np.newaxis]), label="Model") plt.plot(X_test, true_fun(X_test), label="True function") plt.scatter(X, y, edgecolor='b', s=20, label="Samples") plt.xlabel("x") plt.ylabel("y") plt.xlim((0, 1)) plt.ylim((-2, 2)) plt.legend(loc="best") plt.title("Degree {}\nMSE = {:.2e}(+/- {:.2e})".format( degrees[i], -scores.mean(), scores.std()))plt.show()

效果图：

说明：左图一，蓝线表现出欠拟合状态；左图二，蓝线模型能够很好的拟合；左图三，蓝线表现出过拟合状态

注：本文章代码主要参考sklearn官网提供的例程：​​https://scikit-learn.org/stable/​​

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。