python机器学习----模型选择1（方法、指标）_y = label_binarize(y, classes=[0, 1, 2])

一、模型选择的方法及相关指标

1、损失函数通常有0-1损失，平方损失，绝对值损失和对数损失

2、通常用测试集对模型评估，评估的方法有留出法，交叉验证法，留一法，自助法

#留出法：直接将数据分为对立的三部分（也可以是两部分，此时训练集也是验证集），在训练集上训练模型，在验证集上选择模型，最后用测试集上的误差作为泛化误差的估计，数据集划分尽量保持数据分布一致，可以用分层采样来保持比例，通常采用多次随机划分，取平均值值作为留出法的评估结果

#交叉验证法：K折交叉验证将数据集分为个大小相同互不相交的子集，每次用其中一个子集作为测试集，求误差均值作为泛化误差的估计
# 留一法：是K=N时交叉验证集的一个特例，每次用一个样本测试，结果较准确，数据集大的时候计算量大
# 自助法：有放回的重复独立采样，总的数据集中约有63.2%的样本会出现在采样集中，数据集较小时使用合适

3、评估指标：
# 1.混淆矩阵
# 2.P-R曲线（查准率／精确率、查全率／召回率）以及precision和recall调和平均f1
# 3.ROC图（AUC值，真正率-假正率）AR=2AUC-1
# 4.准确率accuracy（类别不平衡时不适合使用此评估指标）
# 5.区分能力KS值等

二、slearn中模型选择的运用

（一）损失函数、数据集划分

 
#损失函数
from sklearn.metrics import zero_one_loss
from sklearn.metrics import log_loss
y_true = [1,1,1,1,1,1,0,0,0,0]
y_pred = [0,1,0,1,1,0,1,0,1,0]
print('zero_one_loss<fraction>',zero_one_loss(y_true, y_pred, normalize=True)) #normalize=True返回误分类样本的比例，否则返回数量
print('zero_one_loss<num>',zero_one_loss(y_true, y_pred, normalize=False)) #还有参数sample_weight,默认每个样本权重为1
 
y_true = [1,1,1,0,0,0]
y_pred_prob =[[0.1,0.9],
              [0.2,0.8],
              [0.3,0.7],
              [0.7,0.3],
              [0.8,0.2],
              [0.9,0.1]] #最后一个代表预测为类别0的概率为0.9，预测为1的概率为0.1
print('log_loss average', log_loss(y_true, y_pred_prob, normalize=True))#normalize为true返回对数损失均值
print('log_loss total', log_loss(y_true, y_pred_prob, normalize=False))#为false返回对数误差的总和
 
 
#数据集切分，对于类别不平衡数据集，采用带有分层抽样设置的切分方法更优
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.model_selection import KFold,StratifiedKFold
from sklearn.model_selection import StratifiedShuffleSplit
from sklearn.model_selection import LeaveOneOut
from sklearn.model_selection import cross_val_score
x = [[1,2,3,4],
     [11,12,13,14],
     [21,22,23,24],
     [31,32,33,34],
     [41,42,43,44],
     [51,52,53,54],
     [61,62,63,64],
     [71,72,73,74]]
y = [1,1,0,0,1,1,0,0]
x_train,x_test,y_train,y_test = train_test_split(x, y, test_size=0.4, random_state=0)
print('x_train',x_train)
print('x_test',x_test)
print('y_train',y_train)
print('y_test',y_test)
#stratify参数为一个数组或者None，如果不是None,将分层采样，采样的标记数组由此参数指定
x_train,x_test,y_train,y_test = train_test_split(x, y, test_size=0.4, stratify=y, random_state=0)
print('stratify x_train',x_train)
print('stratify x_test',x_test)
print('stratify y_train',y_train)
print('stratify y_test',y_test)
#从运行结果可看出，分层采样之后，训练集和测试集的类别比例与原始几乎相同
 
#K折交叉
x = np.array(x)
y = np.array(y)
#shuffle为False,切分之前不混洗数据（按顺序切分为4部分），若为True,切分之前混洗数据（随机分为4部分）
folder = KFold(n_splits=4, shuffle=False, random_state=42)
for train_index,test_index in folder.split(x,y):
    x_train,x_test = x[train_index],x[test_index]
    y_test,y_train = y[test_index],y[train_index]
print('x_train,x_test',x_train,x_test)
print('y_train,y_test',y_train,y_test)
 
#StratifiedShuffleSplit为分层采样的K折交叉切分，参数与KFold同
stra_folder = StratifiedKFold(n_splits=4, shuffle=True, random_state=42)
for train_index,test_index in stra_folder.split(x,y):
    x_train