scikit-learn を機械学習に使用する方法

WBOY
リリース: 2023-08-02 20:07:48
オリジナル
1406 人が閲覧しました

scikit-learn を機械学習に使用する方法

機械学習は、コンピューターが自動的に学習してパフォーマンスを向上させるテクノロジーです。分類、回帰、クラスタリングなどのさまざまなタスクに適用できます。 scikit-learn は、機械学習タスクをシンプルかつ効率的に行うための実用的なツールとアルゴリズムを多数提供する人気の Python 機械学習ライブラリです。この記事では、機械学習に scikit-learn を使用する方法を紹介し、いくつかのコード例を示します。

最初のステップは、scikit-learn ライブラリをインストールすることです。 pip コマンドを使用してターミナルにインストールできます。

pip install scikit-learn
ログイン後にコピー

インストールが完了したら、機械学習に scikit-learn の使用を開始できます。

まず、必要なライブラリとモジュールをインポートします:

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn import svm
from sklearn import metrics
ログイン後にコピー

その後、scikit-learn によって提供されるデータ セットを使用して機械学習を実行できます。ここでは例として iris データ セットを取り上げます。データ セット内の

iris = datasets.load_iris()
X = iris.data
y = iris.target
ログイン後にコピー

XX は特徴行列を表し、y はターゲット変数を表します。次に、データ セットをトレーニング セットとテスト セットに分割します。

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)
ログイン後にコピー

上記のコードは、データ セットの 80% をトレーニング セットとして使用し、20% をテスト セットとして使用します。

次に、適切な機械学習アルゴリズムを選択し、モデルを作成します。ここではサポート ベクター マシン (SVM) を例として取り上げます。

model = svm.SVC()
ログイン後にコピー

モデルを作成した後、トレーニング セットを使用してモデルをトレーニングできます:

model.fit(X_train, y_train)
ログイン後にコピー

トレーニングが完了したら、テスト セットを使用してモデルのパフォーマンスを評価できます。

y_pred = model.predict(X_test)
ログイン後にコピー

scikit を使用する - learn によって提供されるメトリクス モジュールは、モデルの精度を計算できます:

accuracy = metrics.accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)
ログイン後にコピー

精度に加えて、他の評価指標もモデルのパフォーマンスを評価するために使用できます。 、精度や再現率、F1 スコアなど。

要約すると、機械学習に scikit-learn を使用する手順には、データの準備、データセットの分割、モデルの選択、トレーニング モデル、評価モデルが含まれます。 scikit-learn は、機械学習の効果をさらに向上させるために、データの前処理、特徴の選択、モデルの選択、その他のタスクに使用できる他の多くの関数とクラスも提供します。

要約すると、この記事では機械学習に scikit-learn を使用する方法を紹介し、いくつかのコード例を示します。この記事を通じて読者の皆様が scikit-learn について理解を深め、実践で柔軟に活用できるようになれば幸いです。機械学習に scikit-learn を使用すると、開発効率とモデルのパフォーマンスが大幅に向上し、データ サイエンティストと機械学習エンジニアに強力なツールを提供できます。

以上がscikit-learn を機械学習に使用する方法の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

関連ラベル:
ソース:php.cn
このウェブサイトの声明
この記事の内容はネチズンが自主的に寄稿したものであり、著作権は原著者に帰属します。このサイトは、それに相当する法的責任を負いません。盗作または侵害の疑いのあるコンテンツを見つけた場合は、admin@php.cn までご連絡ください。
最新の問題
人気のチュートリアル
詳細>
最新のダウンロード
詳細>
ウェブエフェクト
公式サイト
サイト素材
フロントエンドテンプレート
私たちについて 免責事項 Sitemap
PHP中国語ウェブサイト:福祉オンライン PHP トレーニング,PHP 学習者の迅速な成長を支援します!