A. python語法錯誤
你的是3.x版本，與2.x版不同的是，print已經變為funtion。
使用print需要加括弧，不加括弧要出錯。
print("test:%s,theclassifiercamebackwith:%d,therealansweris:%d"
%("test",0,1))
B. Python調用RandomForestClassifier時出現__init__() got an unexpected keyword argument 'min_samples'
RFclf ：分類器；X：訓練樣本：
RFclf.predict_proba(X)：返回樣本分類的概率 #sum(RFclf.predict_proba(X)) = 1
RFclf.transform(X,threshold)：返回篩選後的樣本；threshold是閾值，可以省略。
RFclf.feature_importance_：返回各個特徵的重要性。 #sum(RFclf.feature_importance_) = 1
RFclf.classes_：得到分類順序！
C. python模型如何在線上調參和學習
from hyperopt import tpe
from hpsklearn import HyperoptEstimator, any_classifier
estim = HyperoptEstimator(classifier=any_classifier('clf'),algo=tpe.suggest)
estim.fit(X_train,y_train)
D. python 調用 adaboostclassifier 輸入必須是數值嗎
scikit-learn源代碼
scikit-learn源代碼
scikit-learn源代碼
E. python 中 元組如何定義
不是，(c_double *nr)classifier)應該是一個函數。
F. 初學python，代碼提示這種錯誤說是語法錯誤不懂啊求大神解釋下
你的是3.x版本，與2.x版不同的是，print已經變為funtion。
使用print需要加括弧，不加括弧要出錯。
print("test:%s,theclassifiercamebackwith:%d,therealansweris:%d"
%("test",0,1))
G. python 怎麼畫與其他方法進行比較的ROC曲線
使用sklearn的一系列方法後可以很方便的繪制處ROC曲線，這里簡單實現以下。
主要是利用混淆矩陣中的知識作為繪制的數據（如果不是很懂可以先看看這里的基礎）：
tpr(Ture Positive Rate)：真陽率 圖像的縱坐標
fpr(False Positive Rate)：陽率（偽陽率） 圖像的橫坐標
mean_tpr：累計真陽率求平均值
mean_fpr：累計陽率求平均值
import numpy as np
import matplotlib.pyplot as plt
from sklearn import svm, datasets
from sklearn.metrics import roc_curve, auc
from sklearn.model_selection import StratifiedKFold
iris = datasets.load_iris()
X = iris.data
y = iris.target
X, y = X[y != 2], y[y != 2] # 去掉了label為2，label只能二分，才可以。
n_samples, n_features = X.shape
# 增加雜訊特徵
random_state = np.random.RandomState(0)
X = np.c_[X, random_state.randn(n_samples, 200 * n_features)]
cv = StratifiedKFold(n_splits=6) #導入該模型，後面將數據劃分6份
classifier = svm.SVC(kernel='linear', probability=True,random_state=random_state) # SVC模型 可以換作AdaBoost模型試試
# 畫平均ROC曲線的兩個參數
mean_tpr = 0.0 # 用來記錄畫平均ROC曲線的信息
mean_fpr = np.linspace(0, 1, 100)
cnt = 0
for i, (train, test) in enumerate(cv.split(X,y)): #利用模型劃分數據集和目標變數 為一一對應的下標
cnt +=1
probas_ = classifier.fit(X[train], y[train]).predict_proba(X[test]) # 訓練模型後預測每條樣本得到兩種結果的概率
fpr, tpr, thresholds = roc_curve(y[test], probas_[:, 1]) # 該函數得到偽正例、真正例、閾值，這里只使用前兩個
mean_tpr += np.interp(mean_fpr, fpr, tpr) # 插值函數 interp(x坐標,每次x增加距離,y坐標) 累計每次循環的總值後面求平均值
mean_tpr[0] = 0.0 # 將第一個真正例=0 以0為起點
roc_auc = auc(fpr, tpr) # 求auc面積
plt.plot(fpr, tpr, lw=1, label='ROC fold {0:.2f} (area = {1:.2f})'.format(i, roc_auc)) # 畫出當前分割數據的ROC曲線
plt.plot([0, 1], [0, 1], '--', color=(0.6, 0.6, 0.6), label='Luck') # 畫對角線
mean_tpr /= cnt # 求數組的平均值
mean_tpr[-1] = 1.0 # 坐標最後一個點為（1,1） 以1為終點
mean_auc = auc(mean_fpr, mean_tpr)
plt.plot(mean_fpr, mean_tpr, 'k--',label='Mean ROC (area = {0:.2f})'.format(mean_auc), lw=2)
plt.xlim([-0.05, 1.05]) # 設置x、y軸的上下限，設置寬一點，以免和邊緣重合，可以更好的觀察圖像的整體
plt.ylim([-0.05, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate') # 可以使用中文，但需要導入一些庫即字體
plt.title('Receiver operating characteristic example')
plt.legend(loc="lower right")
plt.show()
H. python decisiontreeclassifier 樹的深度怎麼獲取
1.如果是int，在每次分類是都要考慮max_features個特徵。
2.如果是float,那麼max_features是一個百分率並且分類時需要考慮的特徵數是int(max_features*n_features,其中n_features是訓練完成時發特徵數)。
3.如果是auto,max_features=sqrt(n_features)
4.如果是sqrt,max_features=sqrt(n_features)
5.如果是log2,max_features=log2(n_features)
6.如果是None，max_features=n_features
注意：至少找到一個樣本點有效的被分類時，搜索分類才會停止。
I. python 樸素貝葉斯分類器有哪些
為了能夠處理Unicode數據，同時兼容Python某些內部模塊，Python 2.x中提供了Unicode這種數據類型，通過decode和encode方法可以將其它編碼和Unicode編碼相互轉化，但同時也引入了UnicodeDecodeError和UnicodeEncodeError異常。