Cara menggunakan scikit-learn untuk pembelajaran mesin

WBOY
Lepaskan: 2023-08-02 20:07:48
asal
1411 orang telah melayarinya

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
Salin selepas log masuk

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
Salin selepas log masuk

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
Salin selepas log masuk

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)
Salin selepas log masuk

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()
Salin selepas log masuk

Selepas mencipta model, anda boleh menggunakan set latihan untuk melatih model:

model.fit(X_train, y_train)
Salin selepas log masuk

Selepas latihan selesai, anda boleh menggunakan set ujian untuk menilai prestasi model:

y_pred = model.predict(X_test)
Salin selepas log masuk

Gunakan modul metrik yang disediakan by scikit-belajar mengira ketepatan model ( ketepatan):

accuracy = metrics.accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)
Salin selepas log masuk

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!

Label berkaitan:
sumber:php.cn
Kenyataan Laman Web ini
Kandungan artikel ini disumbangkan secara sukarela oleh netizen, dan hak cipta adalah milik pengarang asal. Laman web ini tidak memikul tanggungjawab undang-undang yang sepadan. Jika anda menemui sebarang kandungan yang disyaki plagiarisme atau pelanggaran, sila hubungi admin@php.cn
Tutorial Popular
Lagi>
Muat turun terkini
Lagi>
kesan web
Kod sumber laman web
Bahan laman web
Templat hujung hadapan
Tentang kita Penafian Sitemap
Laman web PHP Cina:Latihan PHP dalam talian kebajikan awam,Bantu pelajar PHP berkembang dengan cepat!