Python의 전통적인 기계 학습 예

Python은 가장 인기 있는 프로그래밍 언어 중 하나이며 기계 학습 분야의 중요한 도구 중 하나입니다. 전통적인 머신러닝은 머신러닝 분야의 중요한 분야로, 과거 데이터로부터의 학습을 통해 새로운 데이터를 예측하고 분류하는 모델을 구축하는 데 전념하고 있습니다. 이 기사에서는 Python의 몇 가지 표준적인 기존 기계 학습 예제를 소개합니다.

1. 선형 회귀

선형 회귀는 두 변수 사이의 관계를 추정하는 데 사용되는 방법입니다. 관찰된 데이터 포인트 간의 선형 관계를 기반으로 최적의 직선 피팅을 계산하기 위해 최소 제곱법을 사용합니다. Python에서 scikit-learn은 선형 회귀를 포함하여 일반적으로 사용되는 많은 기계 학습 알고리즘을 포함하는 기계 학습용 라이브러리입니다.

예:

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)

위의 예에서는 LinearRegression(선형 회귀) 함수와 train_test_split 함수를 먼저 가져옵니다. train_test_split 함수는 데이터 세트를 훈련 데이터 세트와 테스트 데이터 세트로 분할하는 데 사용됩니다. 그런 다음 선형 회귀 모델 객체가 초기화되고 훈련 데이터 세트가 훈련 fit()을 위해 모델로 전송됩니다. 모델이 훈련된 후 테스트 데이터 세트에 대해 예측을 수행합니다.

2. 결정 트리

결정 트리 알고리즘은 비모수적 기계 학습 알고리즘입니다. 데이터를 트리 다이어그램 형태로 시각화하여 데이터 세트에 대한 정보를 더 잘 이해하는 데 도움이 됩니다. 나무를 사용하여 예측을 하고 이를 나무 모델로 만들 수 있습니다. Python에서는 결정 트리 모델의 구현도 매우 간단합니다. DecisionTreeClassifier만 가져오면 됩니다.

예:

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)

위의 예에서는 먼저 DecisionTreeClassifier 함수와 Accuracy_score 함수를 가져왔습니다. max_깊이는 의사결정 트리의 깊이이고, X_train과 y_train은 훈련 데이터이고, X_test와 y_test는 테스트 데이터입니다. 그런 다음 fit() 함수를 사용하여 모델을 피팅하고, 예측() 함수를 사용하여 모델 결과를 예측합니다.

3. Support Vector Machine(SVM)

서포트 벡터 머신 알고리즘은 훈련 데이터와 테스트 데이터 사이의 최적의 경계선(즉, 결정 경계)을 찾을 수 있는 분류 알고리즘이며, 이 경계선은 테스트 데이터를 다음과 같이 나눕니다. 두 가지 다른 카테고리. Python에서는 svm.SVC 함수를 사용하여 SVM을 구현할 수 있습니다.

예:

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)

위의 예에서는 svm.SVC를 사용하여 SVM 분류 모델을 초기화하고 커널을 선형으로 지정하고 감마 값을 자동으로 지정합니다. 그리고 모델 훈련을 위해 훈련 데이터 세트를 모델로 가져오고, 예측() 함수를 사용하여 테스트 데이터 세트에 대해 예측을 합니다. 모델 정확도 점수를 계산하려면 Score() 함수를 사용하세요.

요약:

위는 세 가지 전통적인 기계 학습을 구현한 것입니다. 이러한 기계 학습 방법은 다양한 분야에서 널리 사용됩니다. Python에서는 scikit-learn 라이브러리를 사용하여 기존 기계 학습 모델을 빠르고 효과적으로 구현하고 특정 디지털 결과를 얻을 수 있습니다.

위 내용은 Python의 전통적인 기계 학습 예의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!