走马观花学习scikit-learn

拟合和预测，估计器基础

from sklearn.ensemble import RandomForestClassifierclf = RandomForestClassifier(random_state=0)
X = [[1, 2, 3],[11, 12, 13]]
y = [0, 1]
clf.fit(X, y)
'''
fit方法接受两个参数，X和y（通常都是numpy的数组）
X是样本矩阵，大小通常是(n_samples, n_features)
y是目标值，对于回归任务是实数，针对分类任务是整数
针对无监督学习，不需要指定y
并且y通常是一位数组，第i个值对应X中第i行样本的目标值
'''
print(clf.predict([[4, 5, 6],[14, 15, 16]]))
##模拟器被fitted之后，就可以使用这个模拟器进行预测

Transformers and pre-processors

from sklearn.preprocessing import StandardScalerX = [[0, 15],[1, -10]]
scs = StandardScaler().fit(X)
print(scs.transform(X))
##类似上面的模拟器，同样通过fit函数进行训练，但是是通过transform函数输出
##新输入的样本的转换结果

管道:链接预处理器和评估器

#转换器和估计器(预测器)可以组合成一个统一对象:管道
#使用管道可以防止数据泄露''''''
'''
1、加载数据集
2、将其分成训练集和测试集
3、在测试集上计算管道的准确率
'''
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import make_pipeline
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_scorepipe = make_pipeline(StandardScaler(), LogisticRegression(random_state=0))
##将预处理器和模拟器（预测器）组合成一个管道
X, y = load_iris(return_X_y=True)
##加载数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)
##将数据分成训练集和测试集pipe.fit(X_train, y_train)
##使用训练训练集训练模型
print(accuracy_score(pipe.predict(X_test), y_test))
##在测试集上计算训练准确率

建议使用管道，因为如果不适用管道，而在预处理时使用全部数据，之后执行任何种类的交叉验证，都会破坏测试集和训练集之间互相独立的假设。因为使用全部数据进行预处理，训练集中的数据就会被测试集中的数据影响，训练出的模型适用于测试集的可能性更大，因为在测试集上测试模型好坏，获得的结果比模型真实效果要好一些。
使用管道进行交叉验证和搜索将在很大程度上避免这个常见的陷阱。

模型评价

##使用cross_validate执行 5 步交叉验证
from sklearn.datasets import make_regression
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import cross_validateX, y = make_regression(n_samples=1000, random_state=0)
lr = LinearRegression()result = cross_validate(lr, X, y)
print(result['test_score'])

自动参数搜索

所有的估计器（模拟器）都有可以调优的参数。模拟器的泛化能力通常主要依赖于几个参数。通常，不容易确定这些数据的值，因为这些只依赖于手头的数据。
Scikit-learn提供了可以根据交叉验证自动选择最优参数的工具。

scikit-learn提供了8个模块

监督学习
无监督学习
模型选择和评估
检查（Inspection）
可视化
数据集转换
数据加载工具
使用scikit-learn进行计算
下面分别对这八个模块进行学习，计划学习顺序是：
数据加载工具
数据集转换
监督学习
无监督学习
可视化
模型选择和评估
检查（Inspection）
使用scikit-learn进行计算

走马观花学习scikit-learn相关推荐

机器学习与Scikit Learn学习库
摘要: 本文介绍机器学习相关的学习库Scikit Learn,包含其安装及具体识别手写体数字案例,适合机器学习初学者入门Scikit Learn. 在我科研的时候,机器学习(ML)是计算机科学领域中最 ...
Scikit Learn: 在python中机器学习
Warning 警告:有些没能理解的句子,我以自己的理解意译. 翻译自:Scikit Learn:Machine Learning in Python 作者: Fabian Pedregosa, Ga ...
[转载]Scikit Learn: 在python中机器学习
原址:http://my.oschina.net/u/175377/blog/84420 目录[-] Scikit Learn: 在python中机器学习载入示例数据一个改变数据集大小的示例:数码 ...
python笔迹识别_python_基于Scikit learn库中KNN,SVM算法的笔迹识别
之前我们用自己写KNN算法[网址]识别了MNIST手写识别数据 [数据下载地址] 这里介绍,如何运用Scikit learn库中的KNN,SVM算法进行笔迹识别. 数据说明: 数据共有785列,第一列 ...
【scikit-learn】如何用Python和SciKit Learn 0.18实现神经网络
本教程的代码和数据来自于 Springboard 的博客教程.本文的作者为 Jose Portilla,他是网络教育平台 Udemy 一门数据科学类课程的讲师. GitHub 链接:https://g ...
python scikit learn 关闭开源_scikit learn 里没有神经网络？
本教程的代码和数据来自于 Springboard 的博客教程,希望能为你提供帮助.作者为 Jose Portilla,他是网络教育平台 Udemy 一门数据科学类课程的讲师. GitHub 链接:ht ...
scikit - learn 做文本分类
文章来源: https://my.oschina.net/u/175377/blog/84420 Scikit Learn: 在python中机器学习 Warning 警告:有些没能理解的句子,我以自 ...
Blender3.0动画制作入门学习教程 Learn Animation with Blender (2021)
要求下载并安装Blender.免费下载和免费用于任何目的. 描述加入我的动画课程. 在本课程中,我将从头开始讲述在Blender中创建动画场景的过程. 从第一步到最终渲染.在这个课程中,我们将使用 ...
abc android软件,学习ABC Learn ABC软件
英语学习从基础字母学起.学习ABC Learn ABC软件是一款专为儿童打造的英语学习早教软件,通过游戏的方式,增强宝宝学习趣味性,画面生动可爱,操作简单,学习的同时培养孩子的动手能力,让孩子健康成长 ...
Query意图分析：记一次完整的机器学习过程（scikit learn library学习笔记）
所谓学习问题,是指观察由n个样本组成的集合,并根据这些数据来预测未知数据的性质. 学习任务(一个二分类问题): 区分一个普通的互联网检索Query是否具有某个垂直领域的意图.假设现在有一个O2O领域的 ...

走马观花学习scikit-learn

拟合和预测，估计器基础

Transformers and pre-processors

管道:链接预处理器和评估器

模型评价

自动参数搜索

走马观花学习scikit-learn相关推荐

最新文章

热门文章