Подгонка данных и прогнозирование в моделях машинного обучения

Viral Parmar спросил: 27 ноября 2017 в 05:41 в: python

В классификации или регрессии нам нужна наша модель, чтобы учиться на исходных данных (данные обучения). Как и в примере, поиск наилучшего возможного значения параметра модели (в линейной регрессии).

Пока я проходил Классификационную часть в машинном обучении, я встретил этот код, приведенный ниже (модель для классификации "Not-5" в Набор данных MNIST):

Этот код взят из Github-Aurelien Geron handson-ml-master / 03_Classification.ipynb

from sklearn.base import BaseEstimator
class Never5Classifier(BaseEstimator):
def fit(self, X, y=None): # fit the data
    pass
def predict(self, X):
    print(X.shape)
    print(len(X))
    return np.zeros((len(X), 1), dtype=bool)

А ниже приведен код для выполнения Cross проверка на модели.

never_5_clf = Never5Classifier()cross_val_score(never_5_clf, X_train, y_train_5, cv=3, scoring="accuracy")

Ну, это модель, сделанная на заказ, и поэтому я хочу знать, как эти данные подгоняются (что происходит внутри черного ящика). Хотя я сталкивался со многими моделями, но были некоторые математические доказательства / способ определения значения параметра.

0 ответов