sklearn实现lda模型_机器学习：模型训练和评估——模型训练技巧

在实际的数据分析工作中，我们可能拥有一手数据，但却不知道用什么方法、模型来分析更合适。

这时就产生一个疑问：我们所用的模型合不合适呢？参数匹不匹配呢？

这个问题在Python中已经得到解决。

在模型训练技巧中，针对模型效果的验证寻找合适的参数主要有3种方式，分别是K折交叉验证、参数网格搜索，以及训练集、验证集和测试集的引入。

3种方法都为训练出更好的模型、判断模型效果提供帮助。

下面，我们将借助鸢尾花数据集结合相关模型，探讨3种方法的应用。

首先，在Jupyter Notebook中导入相关的库，并从sklearn.datasets中获取鸢尾花数据（此数据包为内置）：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
import seaborn as sns
%matplotlib inline
%config InlineBackend.figure_format = "retina"
from matplotlib.font_manager import FontProperties
fonts = FontProperties(fname="C:WindowsFontsSimHei.ttf", size=14)
from sklearn import metrics
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_iris
Iris = load_iris()
Iris.data.shape

运行后将看到数据集有150个样本，共4个特征：

再用Iris.target查看分类，可知数据集分为3类，每类数据50个：

一、K折交叉验证

K折交叉验证是采用某种方式将数据集切分为k个子集，每次采用其中的一个子集作为模型的测试集，其余的k-1个子集用于模型训练的验证方法。

这个过程是这样的：重复k次，每次选取作为测试集的子集均不相同，直到每个子集都测试过后，将k次测试集的测试结果的均值