Exemples d'apprentissage automatique traditionnel en Python

Python est l'un des langages de programmation les plus populaires et l'un des outils importants dans le domaine de l'apprentissage automatique. L'apprentissage automatique traditionnel est une branche importante du domaine de l'apprentissage automatique. Il est dédié à la construction d'un modèle permettant de prédire et de classer de nouvelles données grâce à l'apprentissage à partir de données historiques. Cet article présentera quelques exemples standards d’apprentissage automatique traditionnel en Python.

1. Régression linéaire

La régression linéaire est une méthode utilisée pour estimer la relation entre deux variables. Il utilise la méthode des moindres carrés pour calculer un ajustement de ligne droite optimal basé sur la relation linéaire entre les points de données observés. En Python, scikit-learn est une bibliothèque d'apprentissage automatique, qui comprend de nombreux algorithmes d'apprentissage automatique couramment utilisés, notamment la régression linéaire.

Exemple :

from sklearn.linear_model import LinearRegression
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=.2)
linreg=LinearRegression()
linreg.fit(X_train,y_train)

Dans l'exemple ci-dessus, la fonction LinearRegression (régression linéaire) et la fonction train_test_split sont d'abord importées. La fonction train_test_split est utilisée pour diviser l'ensemble de données en un ensemble de données d'entraînement et un ensemble de données de test. Ensuite, un objet modèle de régression linéaire est initialisé et l'ensemble de données d'entraînement est envoyé au modèle pour l'entraînement fit(). Une fois le modèle entraîné, effectuez des prédictions sur l'ensemble de données de test.

2. Arbre de décision

L'algorithme d'arbre de décision est un algorithme d'apprentissage automatique non paramétrique. Cela nous aide à mieux comprendre les informations sur l'ensemble de données en visualisant les données sous la forme d'un diagramme arborescent. Nous pouvons utiliser des arbres pour faire des prédictions, ce qui en fait un modèle d'arbre. En Python, l'implémentation du modèle d'arbre de décision est également très simple. Il suffit d'importer le DecisionTreeClassifier.

Exemple :

from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score
dt = DecisionTreeClassifier(max_depth=10)
dt.fit(X_train, y_train)
y_pred_dt = dt.predict(X_test)
acc_decision_tree=accuracy_score(y_test, y_pred_dt)

Dans l'exemple ci-dessus, nous importons d'abord la fonction DecisionTreeClassifier et la fonction precision_score, max_degree est la profondeur de l'arbre de décision, X_train et y_train sont des données d'entraînement et X_test et y_test sont des données de test. Utilisez ensuite la fonction fit() pour ajuster le modèle et la fonction prédire() pour prédire les résultats du modèle.

3. Support Vector Machine (SVM)

L'algorithme de la machine à vecteurs de support est un algorithme de classification qui peut trouver une ligne de démarcation optimale (c'est-à-dire une limite de décision) entre les données d'entraînement et les données de test, et cette ligne de démarcation divise les données de test en deux catégories différentes. En Python, nous pouvons utiliser la fonction svm.SVC pour implémenter SVM.

Exemple :

from sklearn import svm
svm = svm.SVC(kernel='linear',C=1,gamma='auto')
svm.fit(X_train, y_train)
y_pred_svm = svm.predict(X_test)
svm_score = svm.score(X_test, y_test)

Dans l'exemple ci-dessus, nous utilisons svm.SVC pour initialiser un modèle de classificateur SVM, en spécifiant le noyau comme linéaire et la valeur gamma comme auto. Et importez l'ensemble de données de formation dans le modèle pour la formation du modèle et utilisez la fonction prédire () pour faire des prédictions sur l'ensemble de données de test. Utilisez la fonction score() pour calculer le score de précision du modèle.

Résumé :

Ce qui précède sont les implémentations de trois apprentissages automatiques traditionnels. Ces méthodes d’apprentissage automatique sont largement utilisées dans de nombreux domaines. En Python, la bibliothèque scikit-learn peut être utilisée pour implémenter rapidement et efficacement des modèles d'apprentissage automatique traditionnels et obtenir des résultats numériques spécifiques.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!