sklearn分类模型

分类学习

输入：一组有标签的训练数据(也称观察和评估)，标签表明了这些数 据（观察）的所署类别。

输出：分类模型根据这些训练数据，训练自己的模型参数，学习出一个 适合这组数据的分类器，当有新数据（非训练数据）需要进行类别判断，就 可以将这组新数据作为输入送给学好的分类器进行判断。

划分数据集

训练集(training set):顾名思义用来训练模型的已标注数据，用来建 立模型，发现规律。

测试集(testing set):也是已标注数据，通常做法是将标注隐藏，输送 给训练好的模型，通过结果与真实标注进行对比，评估模型的学习能力。

训练集/测试集的划分方法：根据已有标注数据，随机选出一部分数据 （70%）数据作为训练数据，余下的作为测试数据，此外还有交叉验证法， 自助法用来评估分类模型。

评价标准

精确率：精确率是针对我们预测结果而言的，（以二分类为例）它表示 的是预测为正的样本中有多少是真正的正样本。那么预测为正就有两种可能 了，一种就是把正类预测为正类(TP)，另一种就是把负类预测为正类(FP)， 也就是

召回率：是针对我们原来的样本而言的，它表示的是样本中的正例有多 少被预测正确了。那也有两种可能，一种是把原来的正类预测成正类(TP)， 另一种就是把原来的正类预测为负类(FN)，也就是

文章来源: maoli.blog.csdn.net，作者：刘润森！，版权归原作者所有，如需转载，请联系作者。

原文链接：maoli.blog.csdn.net/article/details/90582139