实训笔记7.22

**实训笔记2023-07-22**

### 一、前言本次实训主要是针对机器学习领域的项目开发，旨在深入了解模型设计、训练过程以及应用场景。以下内容将记录我在此期间所学到的知识和经验。

### 二、数据准备####2.1 数据来源首先，我们需要选择合适的数据集作为我们的实验对象。在本次实训中，我们使用了公开可用的[情感分析数据集]( />

import pandas as pd# 加载数据集data = pd.read_csv('sentiment_data.csv')

from sklearn.model_selection import train_test_splitfrom sklearn.preprocessing import StandardScaler# 划分训练集和测试集train_data, test_data = train_test_split(data, test_size=0.2, random_state=42)

# 对数据进行标准化scaler = StandardScaler()
train_data[['feature1', 'feature2']] = scaler.fit_transform(train_data[['feature1', 'feature2']])
test_data[['feature1', 'feature2']] = scaler.transform(test_data[['feature1', 'feature2']])

from sklearn.ensemble import RandomForestClassifier# 初始化随机森林模型model = RandomForestClassifier(n_estimators=100, random_state=42)

from sklearn.model_selection import GridSearchCV# 定义参数搜索空间param_grid = {
 'n_estimators': [50,100,200],
 'max_depth': [None,5,10]
}

# 对模型的参数进行Grid Searchgrid_search = GridSearchCV(model, param_grid, cv=5, scoring='f1_macro')
grid_search.fit(train_data.drop('label', axis=1), train_data['label'])

from sklearn.metrics import f1_score# 对测试集进行预测y_pred = grid_search.predict(test_data.drop('label', axis=1))

# 计算模型的F1分数f1 = f1_score(test_data['label'], y_pred, average='macro')
print(f'模型的F1分数：{f1:.4f}')

# 最终的模型性能评估结果print('最终的模型性能评估结果：')
print(f'F1分数：{f1:.4f}')