分类业务不能随便拆 所有标签中都要分到

在训练之前，使用model selecion 中的方法，划分集合

返回四个集合

两个数组做比较运算，返回布尔数组

对布尔数组使用者sum，得到正确个数

为预测结果打分

交叉验证

随机性导致 强势样本可能都被分到了站训练中，导致模型片面，考虑了太多异常，但测试时没有那么多特殊样本

测试集中有大量的特殊样本，则评估有问题

使用已经训练好的模型进行交叉验证，并指定交叉次数，指定评估指标（准确度，找回率）

每次交叉的得分，即准确度 accuracy

泛化： 对所有交叉求均值

有些场景我们重视找回率，哪怕差准率很低也要全部找回

有些场景则反之

是不是小偷？ 看差准率，没证据不能错杀

间黄石？ 看找回率，可以错杀也不能放过

应该每个标签都有自己的指标，但这里交叉验证api 给的是四个标签均值

R2 F1 两个得分

交叉验证不能用于回归 没有类别对的上就不能用

混淆矩阵 用于评估模型的算法

一个矩阵表示所有指标

优秀的矩阵

可视化： 噪点少，对角线发白，其他发黑，则是好的

分类报告 直观的评估结果 方便分析

supprot 是实际样本

交叉验证在模型之前做，看得分，评估这个样本是不适合，再用大量样本

决策树 分类 决策树可回归可分类

每个特征的形态种类都不同

最终标签有四种

通过前6 列 预测第七列

当前所有x 都是字符串，所有模型都不能用

由于是分类业务，对字符串进行标签编码，忽略其具体含义即可

7列，因此需要找7个标签编码器，一列一个编码器，做完后不要扔掉编码器，因为还要解析回到原有信息

读取每一行，在数组中，转制后，每列是一个样本

使用随机森林分类器

读取，构建二维列表，每行字符串按逗号 拆分

import sklearn.preprocessing as sp # 预处理模块 标签编码

import sklearn.ensemble as se # 随机森林

import sklearn.model_selection as sm # 交叉验证

由于这些属性都是站array 才有的，因此可以检测是否是array

为每个字row array 的元素编码，再加入list

train_x, train_y= [], []
for index, row in enumerate(data.T): # 转制后的row，就是每一列 最后一row 就是y

遍历每row时， 为其创建编码器， 等待为字符串array 编码

encoder= sp.LabelEncoder()

使用枚举遍历，每次不仅返回元素，也返回index

if index< (len(data.T)- 1):
train_x.append(encoder.fit_transform(row)); print(train_x);print() # xlist 放了多个array
else:
train_y.append(encoder.fit_transform(row)); print(train_y); # print(train_y.dtype) 列表没有dtype
train_y= encoder.fit_transform(row); print(train_y); print(train_y.dtype) 重定向，y指向了数组，有了dtype

转换后，x 二维数组， y 一维数组

330021 才是一个记录的各个特征

随机森林

model= se.RandomForestClassifier(max_depth=6, n_estimators=200, random_state=7)

层数/树数/随机种子

0.75 不好，该样本集不太适合做模型 需要调参优化

但当前认为适合

编码器 encoder fit 输入， transform 转换，实现将数组输入并编码为新数组

用列表存储 所有列的标签编码器，用于为训练集编码

逆编码器 用最后一个encoder inverse即可

思路有，但实现又是另一回事

玩的就是操作数据结构，用api对其变化

one hot 只认数字，不认字符串，因此编码后可以再用one hot编码后进行逻辑回归

验证曲线

调参前后，模型好坏

只能调整参数后，对新模型一个一个测试，计较他们的f1得分

在训练之前进行，选出最好的超参数

10× 5 每个都是测试集得分

调参现状： 花很大力气，最后没啥反映

一个参数调好后，再调另一个： 片面，有排列组合情况很多没考虑到

学习曲线

定下来： 用多大的训练集 不是测试集

开头下划线的含义： 拆包其实拿到一个元组三个元素，第一个不想要，用下划线敷衍

与验证曲线一样

年龄不能标签，不是离散的，大部分数值都不行

但凡是字符串，都要标签化