supernova16 / dand-p5-machine-learning Goto Github PK

数据集分析：

这个数据集很不平衡（imbalance）, 也就说明accuracy并不是很好的评估指标，选择precision和recall更好一些。
在交叉验证的时候，因为数据的不平衡性，我们会选用Stratified Shuffle Split的方式将数据分为验证集和测试集。
数据样本比较少，因此我们可以使用GridSearchCV来进行参数调整，如果较大的数据则会花费较长的时间，可以考虑使用RandomizedSearchCV.

tester.py中使用的验证方式为StratifiedShuffleSplit。你可以思考一下这种验证方法的工作原理，并结合其特点思考一下为什么SratifiedShuffleSplit更加适合该试验。(提示：查看一下该算法在将数据分为培训和测试集时有什么特点。)