模型评估与选择实验代码
时间: 2024-05-13 15:15:32 浏览: 14
以下是一个简单的模型评估和选择实验代码示例,使用了scikit-learn库:
```python
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, confusion_matrix
# 加载鸢尾花数据集
iris = load_iris()
# 将数据集拆分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=42)
# 定义逻辑回归模型
model = LogisticRegression()
# 训练模型
model.fit(X_train, y_train)
# 进行预测
y_pred = model.predict(X_test)
# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)
# 计算混淆矩阵
cm = confusion_matrix(y_test, y_pred)
print("Confusion Matrix:\n", cm)
```
在这个例子中,我们加载了鸢尾花数据集,将数据集拆分为训练集和测试集,并使用逻辑回归模型进行训练和预测。然后,我们计算了模型的准确率和混淆矩阵。这些指标可以帮助我们评估模型的性能,并选择最佳的模型。