用于分析预测的分类模型的基本知识 - 虚拟

一旦您拥有开始创建预测模型所需的所有工具和数据，乐趣就开始了。通常，为分类任务创建学习模型将需要以下步骤：

1. 加载数据。

2. 选择一个分类器。训练模型。

3. 可视化模型。

4. 测试模型。

5. 评估模型。

6. <！逻辑回归和支持向量机（SVM）分类模型都使用Iris数据集表现得相当好。

萼片长度

萼片宽度

花瓣长度	花瓣宽度	目标类别/标签	5。 1	3。 5
1。 4	0。 2	Setosa（0）	7。 0	3。 2
4。 7	1。 4	Versicolor（1）	6。 3	3。 3
6。 0	2。 5	Virginica（2）	<！参数C = 1的逻辑回归模型在其预测中是完美的，而SVM模型和C = 150的逻辑回归模型仅错过了一个预测。实际上，这两种模型的高精确度都是由于有一个小数据集，其数据点非常接近线性可分。令人感兴趣的是，C = 150的逻辑回归模型比C = 1具有更好的决策表面图，但是效果并不好。考虑到测试集非常小，这并不是什么大不了的事情。如果选择了训练集和测试集之间的另一个随机分组，结果可能很容易不同。	<！这揭示了模型评估中出现的另一个复杂性来源：抽样效应，以及如何选择训练和测试集可能会影响模型的输出。交叉验证技术可以帮助最小化随机采样对模型性能的影响。

对于具有非线性可分数据的较大数据集，您会期望结果偏离更多。另外，由于数据的复杂性和大小，选择合适的模型变得越来越困难。准备花大量的时间调整你的参数，以得到理想的结果。

在创建预测模型时，尝试一些算法并彻底调整参数，直到找到最适合您的数据的为止。然后比较他们的输出对彼此。