小编aur*_*sen的帖子

我正在尝试使用scikit learn网站上的代码:

http://scikit-learn.org/stable/auto_examples/classification/plot_classifier_comparison.html

我正在使用自己的数据.我的问题是,我有两个以上的功能.如果我想"扩展"2到3或4的功能....

我越来越:

"查询数据维度必须与培训数据维度相匹配"

def machine():
with open("test.txt",'r') as csvr:

    reader= csv.reader(csvr,delimiter='\t')

    for i,row in enumerate(reader):

        if i==0:
            pass
        elif '' in row[2:]:
            pass
        else:
            liste.append(map(float,row[2:]))

a = np.array(liste)
h = .02 
names = ["Nearest Neighbors", "Linear SVM", "RBF SVM", "Decision Tree",
         "Random Forest", "AdaBoost", "Naive Bayes", "LDA", "QDA"]
classifiers = [
    KNeighborsClassifier(1),
    SVC(kernel="linear", C=0.025),
    SVC(gamma=2, C=1),
    DecisionTreeClassifier(max_depth=5),
    RandomForestClassifier(max_depth=5, n_estimators=10, max_features=1),
    AdaBoostClassifier(),
    GaussianNB(),
    LDA(),
    QDA()]



X = a[:,:3]
y = np.ravel(a[:,13])

linearly_separable = (X, y)
datasets =[linearly_separable]
figure …

我正在使用带有分层CV的scikit-learn来比较一些分类器.我正在计算:准确性,召回,auc.

我用于参数优化GridSearchCV的5 CV.

RandomForestClassifier(warm_start= True, min_samples_leaf= 1, n_estimators= 800, min_samples_split= 5,max_features= 'log2', max_depth= 400, class_weight=None)

是GridSearchCV的best_params.

我的问题,我想我真的很适合.例如:

具有标准差的随机森林(+/-)

• 精度:0.99(+/- 0.06)
• 灵敏度:0.94(+/- 0.06)
• 特异性:0.94(+/- 0.06)
• B_accuracy:0.94(+/- 0.06)
• AUC:0.94(+/- 0.11)

具有标准偏差的Logistic回归(+/-)

• 精度:0.88(+/- 0.06)
• 灵敏度:0.79(+/- 0.06)
• 特异性:0.68(+/- 0.06)
• B_accuracy:0.73(+/- 0.06)
• AUC:0.73(+/- 0.041)

而其他人也看起来像逻辑回归(因此他们看起来并不过分).

我的简历代码是:

for i,j in enumerate(data):
    X.append(data[i][0])
    y.append(float(data[i][1]))
x=np.array(X)
y=np.array(y)

def SD(values):

    mean=sum(values)/len(values)
    a=[]
    for i in range(len(values)):
        a.append((values[i]-mean)**2)
    erg=sum(a)/len(values)
    SD=math.sqrt(erg)
    return SD,mean

    for name, clf in zip(titles,classifiers):
    # go through all classifiers, compute 10 folds 
    # the next for loop …