在 scikit learn 中测试不同的学习方法答案

【问题标题】：testing different learning methods in scikit learn在 scikit learn 中测试不同的学习方法
【发布时间】：2019-02-06 21:56:13
【问题描述】：

一旦我使用 svm.SVC，有人可以指导我如何在 sklearn 中测试几种不同的机器学习方法吗？

我有：

r = 6 个特征的 numpy 数组，即形状 ~10000 x 6

answer = 我想学习预测的二进制 numpy 数组（1 或 0），形状约为 1000 x 1

我做交叉验证：

[datatrain, datatest, answertrain, answertest] = cross_validation.train_test_split(r,answer)

这很好用：

clf = svm.SVC(kernel='rbf').fit(datatrain,answertrain) 
prediction = clf.predict(datatest)

我想试试 linear_model.ElasticNet 和 ensemble.RandomForestClassifier。（我也愿意接受有关 sklearn 中可用方法的建议，因为我对机器学习比较陌生。）

我试过了：

clf = linear_model.ElasticNet.fit(X=datatrain,y=answertrain)

和

clf = ensemble.RandomForestClassifier.fit(X=datatrain,y=answertrain)

在这两种情况下我都会收到错误：

TypeError: fit() missing 1 required positional argument: 'self'

我做错了什么？

【问题讨论】：

尝试：clf = linear_model.ElasticNet()，然后是clf.fit(datatrain, answertrain)
是的，就是这样。有没有机会告诉我如何在这里获得 ROC？我找不到例子
^^for 后人这是错误 TypeError: fit() missing 1 required positional argument: 'self' 的答案

【解决方案1】：

from sklearn.ensemble import RandomForestClassifier
clf=RandomForestClassifier()
clf.fit(X_train,y_train)
clf.predict(X_test)

【讨论】：