Comment utiliser scikit-learn pour l'apprentissage automatique

WBOY
Libérer: 2023-08-02 20:07:48
original
1419 Les gens l'ont consulté

Comment utiliser scikit-learn pour l'apprentissage automatique

L'apprentissage automatique est une technologie qui permet aux ordinateurs d'apprendre automatiquement et d'améliorer leurs performances. Il peut être appliqué à diverses tâches telles que la classification, la régression, le clustering, etc. scikit-learn est une bibliothèque d'apprentissage automatique Python populaire qui fournit de nombreux outils et algorithmes pratiques pour rendre les tâches d'apprentissage automatique simples et efficaces. Cet article explique comment utiliser scikit-learn pour l'apprentissage automatique et fournit quelques exemples de code.

La première étape consiste à installer la bibliothèque scikit-learn. Il peut être installé dans le terminal à l'aide de la commande pip :

pip install scikit-learn
Copier après la connexion

Une fois l'installation terminée, vous pouvez commencer à utiliser scikit-learn pour l'apprentissage automatique.

Tout d'abord, importez les bibliothèques et modules nécessaires :

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn import svm
from sklearn import metrics
Copier après la connexion

Ensuite, nous pouvons utiliser l'ensemble de données fourni par scikit-learn pour effectuer du machine learning. Ici, nous prenons l'ensemble de données de l'iris comme exemple :

iris = datasets.load_iris()
X = iris.data
y = iris.target
Copier après la connexion

X dans l'ensemble de données représente la matrice de caractéristiques et y représente la variable cible. Ensuite, divisez l'ensemble de données en un ensemble d'entraînement et un ensemble de test :

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)
Copier après la connexion

Le code ci-dessus utilise 80 % de l'ensemble de données comme ensemble d'entraînement et 20 % comme ensemble de test.

Ensuite, choisissez un algorithme d'apprentissage automatique approprié et créez un modèle. Ici, nous prenons comme exemple la machine à vecteurs de support (SVM).

model = svm.SVC()
Copier après la connexion

Après avoir créé le modèle, vous pouvez utiliser l'ensemble de formation pour entraîner le modèle :

model.fit(X_train, y_train)
Copier après la connexion

Une fois la formation terminée, vous pouvez utiliser l'ensemble de test pour évaluer les performances du modèle :

y_pred = model.predict(X_test)
Copier après la connexion

Utilisez le module de métriques fourni par scikit-learn pour calculer la précision du modèle ( précision) :

accuracy = metrics.accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)
Copier après la connexion

En plus de la précision, d'autres indicateurs d'évaluation peuvent également être utilisés pour évaluer les performances du modèle, tels que la précision, le rappel et le score F1.

En résumé, les étapes de l'apprentissage automatique à l'aide de scikit-learn comprennent la préparation des données, le partitionnement des ensembles de données, la sélection du modèle, le modèle de formation et le modèle d'évaluation. scikit-learn fournit également de nombreuses autres fonctions et classes qui peuvent être utilisées pour le prétraitement des données, la sélection de fonctionnalités, la sélection de modèles et d'autres tâches afin d'améliorer encore l'effet de l'apprentissage automatique.

Pour résumer, cet article explique comment utiliser scikit-learn pour l'apprentissage automatique et fournit quelques exemples de code. J'espère que les lecteurs pourront avoir une compréhension plus approfondie de scikit-learn grâce à cet article et pouvoir l'utiliser de manière flexible dans des applications pratiques. L'utilisation de scikit-learn pour l'apprentissage automatique peut améliorer considérablement l'efficacité du développement et les performances des modèles, fournissant ainsi un outil puissant aux scientifiques des données et aux ingénieurs en apprentissage automatique.

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!

Étiquettes associées:
source:php.cn
Déclaration de ce site Web
Le contenu de cet article est volontairement contribué par les internautes et les droits d'auteur appartiennent à l'auteur original. Ce site n'assume aucune responsabilité légale correspondante. Si vous trouvez un contenu suspecté de plagiat ou de contrefaçon, veuillez contacter admin@php.cn
Tutoriels populaires
Plus>
Derniers téléchargements
Plus>
effets Web
Code source du site Web
Matériel du site Web
Modèle frontal