-
模型評估
#模型訓練之全數據集
from sklearn.neighbors import KNeighborsClassifier
knn_1 = KNeighborsClassifier(n_neighbors=1)
knn_1.fit(X,y)
y1_pre = knn_1.predict(X)
print(y1_pre.shape)
#模型評估之準確率
from sklearn.metrics import accuracy_score
print(accuracy_score(y,y1_pre))
查看全部 -
sklearn建模四步驟
調用需要使用的模型類
模型初始化（創建一個實例）
模型訓練
模型預測
from sklearn import datasets
iris = datasets.load_iris()
X = iris.data
y = iris.target
print(X.shape)
print(y.shape)
knn_1 = KNeighborsClassifier(n_neighbors=1)
knn_1.fit(X,y)
?knn_1.predict([[1,2,3,4]])
查看全部 -
iris數據加載
from sklearn import datasets
iris = datasets.load_iris()
數據展示
iris.data
iris.feature_name
iris.target
iris.target_name
確認數據類型與數據維度
print(type(iris.data))
print(type(iris.target))
print(iris.data.shape)
print(iris.target.shape
查看全部 -
裝python,記得勾選add to path
安裝anaconda
在anaconda中新建開發環境并安裝numpy,sklearn
1)conda create -n sklearn
2)conda install numpy
3)conda install scikit-learn
在新開發環境中安裝jupyter notebook并優化界面(使用github中的一個開源庫）
查看全部 -
安裝python記得勾選add ?to path,不然后面要自己改環境變量
查看全部 -
jupyter notebook的特點
查看全部 -
sklearn針對機器學習一款開源框架
查看全部 -
機器學習的主要類別：
監督式學習（有標簽數據，數據有對應的正確答案，比如垃圾郵件你檢測）
非監督式學習（有一種優化準則，一般是自動聚類，自動推薦）
強化學習
查看全部 -
人工智能，機器學習與深度學習的關系
機器學習是實現人工智能的一種方法
深度學習是實現機器學習的一種技術
此處還需要一個通俗的額例子
查看全部 -
#在一定范圍內尋求最優解
k_range = list(range(1,26))
#print(k_range)
scores_train = []
scores_test = []
for k in k_range:
? ? knn = KNeighborsClassifier(n_neighbors=k)
? ? knn.fit(X_train,y_train)
? ? y_train_pred = knn.predict(X_train)
? ? y_test_pred = knn.predict(X_test)
? ? scores_train.append(accuracy_score(y_train,y_train_pred))?
? ? scores_test.append(accuracy_score(y_test,y_test_pred))
? ??
for k in k_range:
? ? print(k,scores_train[k-1])
查看全部 -
數據分離
from sklearn.model_selection import train_test_split
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.5)
查看全部 -
import matplotlib.pyplot as plt
#在該界面展示
%matplotlib inline
plt.plot(k_range,score_train)
plt.xlabe('K(KNN mode)')
plt.ylable('Training Accuracy')
K越小復雜度越高，所以K=1時訓練集的準確率是1
查看全部 -
開發環境部署
查看全部 -
機器學習的基本原理
查看全部 -
機器學習的基本原理
查看全部
舉報