请在 下方输入 要搜索的题目：
推荐参考答案 (
由 搜题小帮手 官方老师解答 )
答案：
以下文字与答案无关
提示：有些试题内容 显示不完整,文字错误 或者 答案显示错误等问题，这是由于我们在扫描录入过程中 机器识别错误导致,人工逐条矫正总有遗漏，所以恳请 广大网友理解。
相关试题
- 1.调用sklearn中的train_test_split函数将数据集切分为训练集和测试集。训练集与测试集比例为6:4。最合适的代码为： 选项： A、X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.4) B、X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.6) C、X_train,y_train,X_test,y_test=train_test_split(X,y,test_size=0.6) D、y_train,y_test,X_train,X_test =train_test_split(X,y,test_size=0.4)
- 2.调用sklearn中的train_test_split函数将数据集切分为训练集和测试集。训练集与测试集比例为7:3。最合适的代码为X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.7) 选项：A、正确B、错误
- 3.查看如下代码并填空。 import numpy as np from sklearn import datasets from sklearn.model_selection import train_test_split from sklearn.neighbors import KNeighborsClassifier from sklearn.metrics import accuracy_score iris = datasets.load_iris() X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2) classifier = KNeighborsClassifier(n_neighbors=3). 【1】 (X_train, y_train) y_pred = classifier. 【2】 (X_test) print(accuracy_score(y_test,y_pred))
- 4.请详细解释此程序的功能。 from sklearn.datasets import load_iris from sklearn import neighbors from sklearn import svm from sklearn.model_selection import train_test_split svm = svm.SVC(gamma ='auto') X = load_iris().data Y = load_iris().target x_train, x_test, y_train, y_test = train_test_split(X,Y, test_size = 0.3, random_state = 0) svm.fit(x_train,y_train) print("模型训练集的准确率：%.3f" %svm.score(x_train, y_train)) print("模型测试集的准确率：%.3f" %svm.score(x_test, y_test))
- 5.请问在机器学习中， 我们通常将原始数据按照比例分割为 “测试集”和“训练集”, 从 Sklearn. model_selection中调用train_test_split函数, 以下哪项对该函数的描述不正确? 选项： A:参数random_state：是随机数的种子。使用不同的随机数也可以保证每次拆分的数据集一致 B:对数据集进行切分:训练集和测试集的语句可以是:X_train,X_test,y_train, y_test=train_test_split(X,y,test_size=0.3) C:该函数的一般写法train_test_split(train_data,train_target,test_size=0.4,random_state=0, stratify=y_train),其中test_size参数表示样本占比 D:导入该函数所在模块的语句是:from sklearn. model_selection import train_test_split
- 6.补全程序，完成以下功能： 对sklearn中的手写数字进行分类分析，将原数据的80%设为训练数据，20%设为测试数据。 # （1）导入库 from sklearn.datasets import load_digits import numpy as np from sklearn.neighbors import ______【1】______ # 导入KNN分类库 from sklearn.model_selection import train_test_split from sklearn.metrics import classification_report # （2）读入手写数字信息 digits = 【2】 # （3）分割数据 X_train, X_test, Y_train, Y_test = train_test_split(digits.data, digits.target, test_size=0.2, random_state=33) # （4）利用KNN模型进行分类 knc = 【3】 knc. 【4】 y_predict = knc.predict(X_test)
- 7.补全程序，完成以下功能： 针对鸢尾花数据集，基于KNN算法进行分类，并显示相关分类性能指标。 # （1）导入库 from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.neighbors import KNeighborsClassifier from sklearn.metrics import classification_report # （2）利用load_iris读取鸢尾花数据集 iris = load_iris() X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.25, random_state=33) # （3）标准化数据 ss = 【1】 X_train = ss.fit_transform(X_train) X_test = ss.transform(X_test) # （4）使用K近邻分类器对测试数据进行类别预测，预测结果储存在变量y_predict中。 knc = 【2】 knc. 【3】 (X_train, y_train) y_predict = knc. 【4】 (X_test) #测试与性能评估 print(classification_report(y_test,y_predict,target_names=iris.target_names))
- 8.机器学习包sklearn中，命令行X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.2)的功能是（ ）。选项： A:划分数据集，将原始数据中80%作为训练集，20%作为检验集 B:划分数据集，将原始数据中20%作为训练集，80%作为检验集 C:其余都不对
- 9.下面的一段python程序是使用支持向量机在iris数据集上进行训练的例子，请补全导入的模块名称（用小写字母）from sklearn import cross_validation from sklearn import from sklearn import datasets iris = datasets.load_iris() X_train, X_test, y_train, y_test = cross_validation.train_test_split\(iris.data, iris.target, test_size=0.2 )clf = svm.SVC(kernel='linear', C=1).fit(X_train, y_train)
- 10.执行完语句X_train, X_test, y_train, y_test = train_test_split( ... iris.data, iris.target, test_size=0.4, random_state=0),训练集占比多少? 选项： A:40% B:50% C:60% D:70% E: F:C G:1
- 11.将原始数据集划分为训练集(train set) 和测试集 (test set) 两部分，测试集和训练集的划分比例为2: 8，设定随机数的编号为8，保证在重复试验中可得到相同的切分结果。From sklearn.model_selection importTrain_test_split #(1)________S =”机器学习的研究涉及威审论统计学温近论凸分析算法复杂度理论多门学科是人工智能的核心”X,y=list(s),range(40)X_train, X_test, y_train, y_test =train_test_split(X,y,test_size=0.2,random_state=8) #(2)______Print("测试集:”,X_test)
- 12.X_train, X_test, y_train, y_test = train_test_split(X, y, =0.2, _ =0) 选项： A: random_state B:test_size C:train_split D:gradient_descent
- 13.执行完语句X_train, X_test, y_train, y_test = train_test_split( ... iris.data, iris.target, test_size=0.4, random_state=0),训练集占比多少? 选项： A:40% B:50% C:60% D:70% [object Object] F:C G:1
- 14.执行完语句X_train, X_test, y_train, y_test = train_test_split( ... iris.data, iris.target, test_size=0.4, random_state=0),训练集占比多少? 选项： A:0.4 B:0.5 C:0.6 D:0.7
- 15.（单选）请问在机器学习中，我们通常将原始数据按照比例分割为“测试集”和“训练集”，从sklearn.model_selection中调用train_test_split函数，以下哪项对该函数的描述不正确？ 选项： A:参数random_state：是随机数的种子。使用不同的随机数也可以保证每次拆分的数据集一致。 B:对数据集进行切分：训练集和测试集的语句可以是：X_train，X_test，y_train，y_test=train_test_split(X, y, test_size=0.3) C:该函数的一般写法是：train_test_split（train_data，train_target，test_size=0. stratify=y_train），其中test_size参数表示样本占比。 D:导入该函数所在模块的语句是：from sklearn.model_selection import train_test_split
- 16.中国大学MOOC: 下面的一段python程序是使用支持向量机在iris数据集上进行训练的例子，请补全导入的模块名称（用小写字母）from sklearn import cross_validation from sklearn import from sklearn import datasets iris = datasets.load_iris() X_train, X_test, y_train, y_test = cross_validation.train_test_split(iris.data, iris.target, test_size=0.2 )clf = svm.SVC(kernel=linear, C=1).fit(X_train, y_train)
- 17.from sklearn.model_selection import train_test_split X_ _____, X_ _____, y_train, y_test =train_test_split(X,y,test_size = 0.2)
- 18.下列代码片段 \>>>from sklearn.model_selection import train_test_split \>>>X_train,X_test,y_train,y_test=train_test_split(iris.data,iris.target,test_size=0.4,random_state=0) 选项： A: 加载数据 B: 分割数据 C: 分组数据 D: 删除部分数据
- 19.(填空题)以下是导入Iris数据集进行分类的代码，请根据代码提示，导入对应模型后进行对应的拟合，并预测对应分类：# 导入所需的库From sklearn import datasetsFrom sklearn.model_selection import train_test_splitFrom sklearn.linear_model import LogisticRegressionFrom sklearn.metrics import accuracy_score# 加载Iris数据集Iris = datasets.load_iris()X = iris.dataY = iris.target# 将数据集划分为训练集和测试集，采用7:3的比例划分X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=______, random_state=42)# 创建Logistic Regression模型Model = ___________# 在训练数据上拟合模型_______________# 进行预测Y_pred =___________# 模型评估，预测准确率Accuracy = accuracy_score(_________)Print("准确率：", accuracy)
- 20.下列代码片段>>>from sklearn.model_selection import train_test_split >>>X_train,X_test,y_train,y_test=train_test_split(iris.data,iris.target,test_size=0.4,random_state=0) 实现的功能是： 选项： A: 加载数据 B: 分割数据 C: 分组数据 D: 删除部分数据
- 21.X_train,X_test,Y_train,Y_test = train_test_split(iris.data,iris.target,test_size = 0.4,random_state = 0)，在这段代码中，test_size = 0.4是指？ 选项： A:A.测试样本占比40% B:B.训练样本占比40% C:C.测试精度为40%
- 22.执行完语句X_train, X_test, y_train, y_test = train_test_split( ... iris.data, iris.target, test_size=0.4, random_state=0),训练集占比多少? 选项： A:40%$;$50%$;$60%$;$70% B:40%$;$50%$;$60%$;$70% C:40%$;$50%$;$60%$;$70% D:40%$;$50%$;$60%$;$70%
- 23.下面的一段python程序是对iris数据集进行训练集和测试集的拆分，已知该数据集中样本的个数为150个，特征为4个。则下面的程序执行完毕后，print语句的输出结果应改为： from sklearn import datasets from sklearn.model_selection import train_test_split iris = datasets.load_iris() X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2) print("X_train.shape: ", X_train.shape, "y_train.shape: ", y_train.shape) 选项： A、X_train.shape: (150,4) y_train.shape: (150,) B、X_train.shape: (105,4) y_train.shape: (105,) C、X_train.shape: (45,4) y_train.shape: (45,) D、X_train.shape: (120,4) y_train.shape: (120,)
-
24.x_train, x_test, y_train, y_test=train__test_split(X,Y,train_size=0.7,test_size=0.3)
#
