Cara menggunakan scikit-learn untuk pembelajaran mesin
Pembelajaran mesin ialah teknologi yang membolehkan komputer belajar secara automatik dan meningkatkan prestasi. Ia boleh digunakan untuk pelbagai tugas seperti klasifikasi, regresi, pengelompokan, dll. scikit-learn ialah perpustakaan pembelajaran mesin Python yang popular yang menyediakan banyak alatan dan algoritma praktikal untuk menjadikan tugas pembelajaran mesin mudah dan cekap. Artikel ini akan memperkenalkan cara menggunakan scikit-learn untuk pembelajaran mesin dan memberikan beberapa contoh kod.
Langkah pertama ialah memasang perpustakaan scikit-learn. Anda boleh memasangnya di terminal menggunakan arahan pip:
pip install scikit-learn
Selepas pemasangan selesai, anda boleh mula menggunakan scikit-learn untuk pembelajaran mesin.
Mula-mula, import perpustakaan dan modul yang diperlukan:
from sklearn import datasets from sklearn.model_selection import train_test_split from sklearn import svm from sklearn import metrics
Kemudian, kita boleh menggunakan set data yang disediakan oleh scikit-learn untuk melaksanakan pembelajaran mesin. Di sini kita mengambil set data bunga iris sebagai contoh:
iris = datasets.load_iris() X = iris.data y = iris.target
X dalam set data mewakili matriks ciri dan y mewakili pembolehubah sasaran. Seterusnya, bahagikan set data kepada set latihan dan set ujian:
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)
Kod di atas menggunakan 80% set data sebagai set latihan dan 20% sebagai set ujian.
Seterusnya, pilih algoritma pembelajaran mesin yang sesuai dan cipta model. Di sini kami mengambil Mesin Vektor Sokongan (SVM) sebagai contoh.
model = svm.SVC()
Selepas mencipta model, anda boleh menggunakan set latihan untuk melatih model:
model.fit(X_train, y_train)
Selepas latihan selesai, anda boleh menggunakan set ujian untuk menilai prestasi model:
y_pred = model.predict(X_test)
Gunakan modul metrik yang disediakan by scikit-belajar mengira ketepatan model ( ketepatan):
accuracy = metrics.accuracy_score(y_test, y_pred) print("Accuracy:", accuracy)
Selain ketepatan, penunjuk penilaian lain juga boleh digunakan untuk menilai prestasi model, seperti ketepatan, ingatan semula, dan skor F1.
Ringkasnya, langkah-langkah untuk pembelajaran mesin menggunakan scikit-learn termasuk penyediaan data, pembahagian set data, pemilihan model, model latihan dan model penilaian. scikit-learn juga menyediakan banyak fungsi dan kelas lain yang boleh digunakan untuk prapemprosesan data, pemilihan ciri, pemilihan model dan tugasan lain untuk meningkatkan lagi kesan pembelajaran mesin.
Untuk meringkaskan, artikel ini menerangkan cara menggunakan scikit-learn untuk pembelajaran mesin dan menyediakan beberapa contoh kod. Saya berharap pembaca dapat memahami lebih mendalam tentang scikit-belajar melalui artikel ini dan dapat menggunakannya secara fleksibel dalam aplikasi praktikal. Menggunakan scikit-learn untuk pembelajaran mesin boleh meningkatkan kecekapan pembangunan dan prestasi model, menyediakan alat yang berkuasa untuk saintis data dan jurutera pembelajaran mesin.
Atas ialah kandungan terperinci Cara menggunakan scikit-learn untuk pembelajaran mesin. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!