課后答案課后習題答案：準確率：0.893、查準率：0.909、查全率：0.833、F1值：0.870(1)將1000個樣本隨機打亂，確保數(shù)據(jù)的隨機性。(2)將打亂后的數(shù)據(jù)集平均分成K個大小相等的子集，每個子集包含大約1000/K個樣本。(3)對于每個折疊（從第1個到第K個）；將該折疊作為驗證集，剩下的K-1個折疊作為訓練集;使用訓練集訓練支持向量機（SVM）模型；使用驗證集評估模型的性能，記錄相關的性能指標，如準確率、查準率等。(4)重復步驟3，直到每個折疊都作為驗證集被使用過一次。(5)最后，計算所有K次迭代中記錄的性能指標的平均值，這個平均值將作為支持向量機（SVM）模型在1000個樣本數(shù)據(jù)集上的最終性能估計。實施網(wǎng)格搜索時，需定義一個參數(shù)網(wǎng)格，它是一個字典，包含要調(diào)整的參數(shù)名稱及其可能的取值。字典結(jié)構(gòu)如下：param_grid={'penalty':['l1','l2'],'C':[0.01,0.1,1,10,100]}代碼如下：fromsklearn.datasetsimportload_irisfromsklearn.linear_modelimportLogisticRegressionfromsklearn.model_selectionimportGridSearchCVfromsklearn.model_selectionimporttrain_test_splitfromsklearn.metricsimportaccuracy_score#加載iris數(shù)據(jù)集iris=load_iris()X,y=iris.data,iris.targetparam_grid={'penalty':['l1','l2'],'C':[0.01,0.1,1,10,100]}#劃分訓練集和測試集X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.3,random_state=42)#創(chuàng)建邏輯回歸模型log_reg=LogisticRegression(max_iter=10000,solver='liblinear')#創(chuàng)建GridSearchCV對象grid_search=GridSearchCV(log_reg,param_grid,cv=5)#執(zhí)行網(wǎng)格搜索grid_search.fit(X_train,y_train)#獲取最佳參數(shù)組合best_params=grid_search.best_params_#使用最佳參數(shù)組合進行預測best_estimator=grid_search.best_estimator_y_pred=best_estimator.predict(X_test)#計算準確率best_accuracy=accuracy_score(y_test,y_pred)print(f"最佳參數(shù)組合:{best_params}")print(f"最佳準確率:{best_accuracy:.2f}")最佳組合：penalty:l2、C:10最佳準確率：0.998上機練習答案：#導入sklearn.linear_model模塊，用于創(chuàng)建邏輯回歸模型fromsklearn.linear_modelimportLogisticRegression#導入sklearn.model_selection模塊，用于網(wǎng)格搜索和訓練集測試集劃分fromsklearn.model_selectionimportGridSearchCVfromsklearn.model_selectionimporttrain_test_split第1步，數(shù)據(jù)加載fromsklearn.datasetsimportload_diabetesdiabetes=load_diabetes()X=diabetes.datay=diabetes.target第2步，數(shù)據(jù)處理（二值化、數(shù)據(jù)集劃分）#由于糖尿病數(shù)據(jù)集的目標變量是連續(xù)的，我們需要將其二值化fromsklearn.preprocessingimportKBinsDiscretizerkbd=KBinsDiscretizer(n_bins=2,encode='ordinal',strategy='quantile')y_binned=kbd.fit_transform(y[:,None]).ravel()#劃分訓練集和測試集X_train,_,y_train,_=train_test_split(X,y_binned,test_size=0.3,random_state=1)第3步，初始化模型實例和參數(shù)#創(chuàng)建邏輯回歸模型實例log_reg=LogisticRegression(solver='liblinear',max_iter=1000,random_state=1)#設置網(wǎng)格搜索的參數(shù)范圍param_grid={'C':[0.001,0.01,0.1,1,10,100,1000],'penalty':['l1','l2'],}#初始化網(wǎng)格搜索對象，設置交叉驗證的折數(shù)grid_search=GridSearchCV(log_reg,param_grid,cv=5,scoring='accuracy',n_jobs=-1)第4步，使用網(wǎng)格搜索進行模型性能優(yōu)化grid_search.fit(X_train,y_