在 sklearn 中运行 10 倍交叉验证后如何运行 SVC 分类器？答案

【问题标题】：How to run SVC classifier after running 10-fold cross validation in sklearn?在 sklearn 中运行 10 倍交叉验证后如何运行 SVC 分类器？
【发布时间】：2018-05-19 17:00:47
【问题描述】：

我对机器学习比较陌生，希望得到以下帮助：

我通过 10 倍交叉验证对我的数据运行了支持向量机分类器 (SVC)，并计算了准确度得分（约为 89%）。我正在使用 Python 和 scikit-learn 来执行任务。这是一个代码sn-p：

def get_scores(features,target,classifier):
  X_train, X_test, y_train, y_test =train_test_split(features, target , 
    test_size=0.3)
    scores = cross_val_score(
    classifier,
    X_train,
    y_train,
    cv=10,
    scoring='accuracy',
    n_jobs=-1)
 return(scores)

get_scores(features_from_df,target_from_df,svm.SVC())

现在，我如何使用我的分类器（在运行 10 倍 cv 之后）在 X_test 上对其进行测试并将预测结果与 y_test 进行比较？您可能已经注意到，我在交叉验证过程中只使用了 X_train 和 y_train。

我注意到 sklearn 有 cross_val_predict： http://scikit-learn.org/stable/modules/generated/sklearn.model_selection.cross_val_predict.html 我应该用 cross_val_predict 替换我的 cross_val_score 吗？仅供参考：我的目标数据列已二值化（值为 0 和 1）。

如果我的方法有误，请告诉我最好的处理方法。

谢谢！

【问题讨论】：

标签： python machine-learning svm cross-validation

【解决方案1】：

你快到了：

# Build your classifier
classifier = svm.SVC()

# Train it on the entire training data set
classifier.fit(X_train, y_train)

# Get predictions on the test set
y_pred = classifier.predict(X_test)

此时，您可以使用sklearn.metrics 模块中的任何指标来确定您的表现。例如：

from sklearn.metrics import accuracy_score
print(accuracy_score(y_test, y_pred))

【讨论】：

感谢您的回答。然而，这并没有考虑交叉验证。任何替代建议都会很棒。
@M_13 没有模型会考虑交叉验证。 CV 只是检查模型对数据的性能。请阅读cross-validation
我想知道这个答案是如何被接受为“答案”的。它没有解决交叉验证的要点

【解决方案2】：

您只需要拆分 X 和 y。不要拆分火车和测试。

然后，您可以将案例 svm 中的分类器传递给 cross_val_score 函数，以获得每个实验的准确性。

只需 3 行代码：

clf = svm.SVC(kernel='linear', C=1)
scores = cross_val_score(clf, X, y, cv=10)
print scores

【讨论】：

别忘了：from sklearn.model_selection import cross_val_score