机器学习入门 | 易学教程

机器学习

针对经验E和一系列任务T和一定表现的衡量P，如果随着经验E的积累，针对定义好的任务T可以提高其表现P，则说明机器有学习能力

Sklearn库基本使用

包含了所有机器学习算法 ——> 分类回归非监督分类数据降维数据预处理

1. 构建机器学习模型

A．逻辑回归

B．支持向量机

C．决策树

D．神经网络

在给定的数据上做解决分类的问题

导入样本数据

代码：

from sklearn import datasets
wine = datasets.load_wine()
print(wine)

补充：y是样本的标签！每个分类的个数是类似的，所以不会存在不平衡的问题！

通过numpy包的shape()方法输入data和target的大小：

代码：

import numpy as np
print(np.shape(x),np.shape(y))

其中，

(178,13)----代表178*13的矩阵【意思是178个样本，每个样本有13个特征（或13个特征矩阵）】

(178,) -----代表长度是178的一个一维向量

把数据分成训练数据和测试数据 -----搭建模型后用一种机制评估模型

代码：

from sklearn.model_selection import train_test_split
x_train,x_test,y_train,y_test = train_test_split(x,y,test_size = 0.2,random_state=42)
print(np.shape(x_train),np.shape(x_test))

用sklearn搭建逻辑回归模型并在数据上训练+测试

代码：

from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
X,y = load_iris(return_X_y=True)
clf = LogisticRegression(random_state=0,solver='lbfgs',multi_class='multinomial').fit(X,y)
clf.predict(X[:2,:])
clf.predict_proba(X[:2,:])
clf.score(X,y)

在y数据上搭建逻辑回归模型：

1. 加入相应的库

2. 初始化一个逻辑回归模型并训练

3. 评估模型表现

代码：

print("利用逻辑回归模型来做训练")
from sklearn.linear_model import LogisticRegression
model = LogisticRegression().fit(x_train,y_train)
print("训练数据上的准确率为：%f" % (model.score(x_train,y_train)))
print("测试数据上的准确率为：%f" % (model.score(x_test,y_test)))

使用逻辑回归提示FutureWarning：Specify a solver to silence warning的解决：

https://cloud.tencent.com/developer/news/397742

通过sklearn搭建支持向量机模型

代码：

import numpy as np
x = np.array([[-1,-1],[-2,-1],[1,1],[2,1]])
y = np.array([1,1,2,2])
from sklearn.svm import SVC
clf = SVC(gamma='auto')
clf.fit(x,y)
print(clf.predict([[-0.8,-1]]))

重要参数：

1.kernel ---和函数，任何时候都要用【线性~非线性~】

2.gamma ----调值至max优

代码：

print("利用支持向量机模型来做训练")
from sklearn import svm
model = svm.SVC().fit(x_train,y_train)
print("训练数据上的准确率为：%f" % (model.score(x_train,y_train)))
print("测试数据上的准确率为：%f" % (model.score(x_test,y_test)))

构建决策树模型

代码：

print("利用决策树模型来做训练")
from sklearn import tree
model = tree.DecisionTreeClassifier().fit(x_train,y_train)
print("训练数据上的准确率为：%f" % (model.score(x_train,y_train)))
print("测试数据上的准确率为：%f" % (model.score(x_test,y_test)))

搭建神经网络模型

代码：

print("利用神经网络模型来做训练")
from sklearn.neural_network import MLPClassifier
model = MLPClassifier(alpha=1e-5,hidden_layer_sizes=(200),solver='lbfgs',random_state=1).fit(x_train,y_train)
print("训练数据上的准确率为：%f" % (model.score(x_train,y_train)))
print("测试数据上的准确率为：%f" % (model.score(x_test,y_test)))

AI评估方法

准确率