機器學習是使計算機能夠在不明確編程的情況下學習的能力。這是通過向計算機提供數據並將數據轉換為決策模型的數據來完成的，然後將其用於未來的預測。
>在本教程中，我們將討論機器學習以及開始機器學習所需的一些基本概念。我們還將設計一些python示例來預測某些元素或事件。
機器學習是一種旨在從經驗中學習的技術。例如，作為人類，您可以通過觀察其他人下棋來學習如何下棋。以同樣的方式，計算機是通過為它們提供的數據來編程的，然後能夠從中預測未來的元素或條件。您可能會發現編寫這樣的程序很容易，它將給出所需的結果，但您可能還會發現該程序對大型數據集沒有有效的作用。這是機器學習開始發揮作用的地方。
在機器學習中涉及各種步驟：
數據收集數據
Supervised Learning
線性回歸
pip install -U scikit-learn<br>
Python 3.9.12 (main, Apr 5 2022, 06:56:58) <br>[GCC 7.5.0] :: Anaconda, Inc. on linux<br>Type "help", "copyright", "credits" or "license" for more information.<br>>>> import sklearn<br>>>> <br>
>
>安裝Sklearnfrom sklearn import tree<br>
> SKLEARN安裝指南為多個平台提供了一種非常簡單的方法。它需要幾個依賴性：
features = [[7, 0.6, 40], [7, 0.6, 41], [37, 600, 37], [37, 600, 38]]<br>
#labels = [chicken, chicken, horse, horse]<br><br># we use 0 to represent a chicken and 1 to represent a horse<br><br>labels = [0, 0, 1, 1]<br>
numpy（最小版1.17.3）
classifier = tree.DecisionTreeClassifier()<br>
>
classifier.fit(features, labels)<br>
from sklearn import tree<br>features = [[7, 0.6, 40], [7, 0.6, 41], [37, 600, 37], [37, 600, 38]]<br>#labels = [chicken, chicken, horse, horse]
labels = [0, 0, 1, 1]
classif = tree.DecisionTreeClassifier()
classif.fit(features, labels)
>
來測試Sklearn是否正常運行，只需從python解釋器中導入它：from sklearn import tree<br>features = [[7, 0.6, 40], [7, 0.6, 41], [37, 600, 37], [37, 600, 38]]<br>
#labels = [chicken, chicken, horse, horse]
labels = [0, 0, 1, 1]
classif = tree.DecisionTreeClassifier()
classif.fit(features, labels)
print(classif.predict([[7, 0.6, 41]]))
from sklearn import tree<br>features = [[7, 0.6, 40], [7, 0.6, 41], [37, 600, 37], [37, 600, 38]]<br>#labels = [chicken, chicken, horse, horse]
labels = [0, 0, 1, 1]
classif = tree.DecisionTreeClassifier()
classif.fit(features, labels)
print(classif.predict([[38, 600, 37.5]]))
# output
# [1] or a Horse
，如果不會出現錯誤，那麼您就可以完成了。我們希望能夠區分不同動物。因此，我們將設計一種算法，該算法可以專門告訴給定的動物是馬還是雞。 我們首先需要從每種類型的動物中收集一些樣本數據。一些示例數據如下表所示。
定義要使用的動物分類的功能。
>>定義每個分類器將提供的輸出。雞的代表為0，而一匹馬將以1表示。然後，我們定義基於決策樹的分類器。這是預測高度為7英寸，重量為0.6 kg的動物，溫度為41：
>以下是如何預測高度38英寸的動物，重量為600 kg，溫度為37.5：37.5：37.5：>線性回歸在第二個示例中，我們將使用更大的數據集來執行線性回歸。 根據Wikipedia的>>在統計中，線性回歸是一種線性方法，用於建模標量響應與一個或多個解釋性變量之間的關係（也稱為相關變量和自變量）。
可以在此處找到數據集。將CSV文件下載到您的工作目錄中
>讓我們開始導入必要的依賴項。
pip install -U scikit-learn<br>
>接下來，將CSV數據加載到pandas dataframe。輸出：
Python 3.9.12 (main, Apr 5 2022, 06:56:58) <br>[GCC 7.5.0] :: Anaconda, Inc. on linux<br>Type "help", "copyright", "credits" or "license" for more information.<br>>>> import sklearn<br>>>> <br>
，如上所述，數據包含1960年至2016年不同國家的GDP。下一步是創建x和y維數陣列。型號。
from sklearn import tree<br>
features = [[7, 0.6, 40], [7, 0.6, 41], [37, 600, 37], [37, 600, 38]]<br>
#labels = [chicken, chicken, horse, horse]<br><br># we use 0 to represent a chicken and 1 to represent a horse<br><br>labels = [0, 0, 1, 1]<br>
>
>無監督的學習是當您僅使用一組輸入來訓練計算機時。然後，機器將能夠找到輸入數據與您可能想要預測的其他任何其他關係之間的關係。與監督學習不同，在您向機器展示一些可以進行培訓的機器的情況下，無監督的學習旨在使計算機查找不同數據集之間的模式或關係。classifier = tree.DecisionTreeClassifier()<br>
無監督的學習可以進一步細分為：
classifier.fit(features, labels)<br>
clustering
關聯是您確定描述大量數據的規則。這種類型的學習可以適用於基於作者或類別的書籍，無論是動機，虛構的還是教育的書籍。
>>
以上是Python的機器學習簡介的詳細內容。更多資訊請關注PHP中文網其他相關文章！
