使用 Python 进行机器学习的简介
在本文中，我们将学习使用 Python 3.x 或更早版本的机器学习基础知识。
首先，我们需要使用现有的库来设置机器学习环境
>>> pip install numpy >>> pip install scipy >>> pip install matplotlib >>> pip install scikit-learn
机器学习涉及经验和事实的研究，并根据提供的意图进行预测。数据库越大，机器学习模型就越好。
机器学习的流程
- 清理数据
- 输入数据集
- 训练模型
- 测试数据集
- 实现模型
现在让我们确定哪个库用于什么目的 −
Numpy − 增加了对大型多维列表和矩阵的支持，以及对这些输入数组进行操作的大量数学函数集合。
SciPy − 一个免费的开源 Python 库，用于科学/数学计算。它包含用于优化算法、数据集成、插值、一些特殊函数和线性代数的模块
Matplotlib − 一个用于形成图表和数字的库。它允许绘制数据以更好地了解模型
Scikit-learn −它具有各种分类、聚类和回归算法，以明确的方式分发和组织数据
现在让我们借助 scikit - learn 创建一个基本的机器学习模型。在这里，我们将采用内置数据集，即 ski-kit learn 中提供的虹膜和数字数据集。
from sklearn import datasets iris = datasets.load_iris() digits = datasets.load_digits()
现在查看我们使用的数据集中的数据
print(digits.data)
[[ 0. 0. 5. ... 0. 0. 0.] [ 0. 0. 0. ... 10. 0. 0.] [ 0. 0. 0. ... 16. 9. 0.] ... [ 0. 0. 1. ... 6. 0. 0.] [ 0. 0. 2. ... 12. 0. 0.] [ 0. 0. 10. ... 12. 1. 0.]]
.target 函数让我们看到我们想要模型学习的东西
digits.target
array([0, 1, 2, ..., 8, 9, 8])
用于访问我们使用的数字数据集的形状
digits.images[0]
array([[ 0., 0., 5., 13., 9., 1., 0., 0.], [ 0., 0., 13., 15., 10., 15., 5., 0.], [ 0., 3., 15., 2., 0., 11., 8., 0.], [ 0., 4., 12., 0., 0., 8., 8., 0.], [ 0., 5., 8., 0., 0., 9., 8., 0.], [ 0., 4., 11., 0., 1., 12., 7., 0.], [ 0., 2., 14., 5., 10., 12., 0., 0.], [ 0., 0., 6., 13., 10., 0., 0., 0.]])
现在让我们进入学习和预测部分
from sklearn import svm clf = svm.SVC(gamma=0.001, C=100.)
这里 SVC 是支持向量分类，它充当我们模型的内置估计器
clf.fit(digits.data[:-1], digits.target[:-1]) SVC(C=100.0, cache_size=200, class_weight=None, coef0=0.0, decision_function_shape='ovr', degree=3, gamma=0.001, kernel='rbf', max_iter=-1, probability=False, random_state=None, shrinking=True, tol=0.001, verbose=False)
首先，我们需要使用 fit 方法向模型提供数据集，以便我们的模型可以学习。在这里，我们将所有图像作为训练数据提供，除了我们将用于测试目的的最后一张图像。
现在我们的模型已经训练完毕，我们可以使用 .predict 函数预测测试数据的输出
clf.predict(digits.data[-1:]) array([8])
现在我们的模型已经训练完毕，我们可以计算模型的效率和时间周期
结论
在本文中，我们学习了一些机器学习的基础知识以及一些用于在 Python 中实现它的基本库。
相关文章
有用资源
python 参考教程 - 该教程包含有关 python 的更多信息:https://www.cainiaomax.com/python/
