from sklearn.model_selection import learning_curve

這個(gè)函數(shù)的調(diào)用格式是：

learning_curve(estimator, X, y, train_sizes=array([ 0.1 , 0.325, 0.55 , 0.775, 1. ]), cv=None, scoring=None, exploit_incremental_learning=False, n_jobs=1, pre_dispatch='all', verbose=0)

這個(gè)函數(shù)的作用為：對(duì)于不同大小的訓(xùn)練集，確定交叉驗(yàn)證訓(xùn)練和測(cè)試的分?jǐn)?shù)。一個(gè)交叉驗(yàn)證發(fā)生器將整個(gè)數(shù)據(jù)集分割k次，分割成訓(xùn)練集和測(cè)試集。不同大小的訓(xùn)練集的子集將會(huì)被用來訓(xùn)練評(píng)估器并且對(duì)于每一個(gè)大小的訓(xùn)練子集都會(huì)產(chǎn)生一個(gè)分?jǐn)?shù)，然后測(cè)試集的分?jǐn)?shù)也會(huì)計(jì)算。然后，對(duì)于每一個(gè)訓(xùn)練子集，運(yùn)行k次之后的所有這些分?jǐn)?shù)將會(huì)被平均。

estimator：所使用的分類器

X:array-like, shape (n_samples, n_features)

?訓(xùn)練向量，n_samples是樣本的數(shù)量，n_features是特征的數(shù)量

y:array-like, shape (n_samples) or (n_samples, n_features), optional

目標(biāo)相對(duì)于X分類或者回歸

train_sizes:array-like, shape (n_ticks,), dtype float or int

訓(xùn)練樣本的相對(duì)的或絕對(duì)的數(shù)字，這些量的樣本將會(huì)生成learning curve。如果dtype是float，他將會(huì)被視為最大數(shù)量訓(xùn)練集的一部分（這個(gè)由所選擇的驗(yàn)證方法所決定）。否則，他將會(huì)被視為訓(xùn)練集的絕對(duì)尺寸。要注意的是，對(duì)于分類而言，樣本的大小必須要充分大，達(dá)到對(duì)于每一個(gè)分類都至少包含一個(gè)樣本的情況。

cv:int, cross-validation generator or an iterable, optional

確定交叉驗(yàn)證的分離策略

--None，使用默認(rèn)的3-fold cross-validation,

--integer,確定是幾折交叉驗(yàn)證

--一個(gè)作為交叉驗(yàn)證生成器的對(duì)象

--一個(gè)被應(yīng)用于訓(xùn)練/測(cè)試分離的迭代器

n_jobs :?整數(shù)，可選并行運(yùn)行的作業(yè)數(shù)（默認(rèn)值為1）。windows開多線程需要在"__name__"==__main__中運(yùn)行。

verbose : integer, optional

控制冗余：越高，有越多的信息

返回值：

train_sizes_abs：array, shape = (n_unique_ticks,), dtype int

用于生成learning curve的訓(xùn)練集的樣本數(shù)。由于重復(fù)的輸入將會(huì)被刪除，所以ticks可能會(huì)少于n_ticks.

train_scores?: array, shape (n_ticks, n_cv_folds)

在訓(xùn)練集上的分?jǐn)?shù)

test_scores?: array, shape (n_ticks, n_cv_folds)

在測(cè)試集上的分?jǐn)?shù)