主页

索引

模块索引

搜索页面

5.10.1. 常用

安装:

$ pip install -U scikit-learn
$ conda install scikit-learn

SKlearn包含的机器学习方式:

分类，回归，无监督，数据降维，数据预处理等等，包含了常见的大部分机器学习方法

强大数据库

1.鸢尾花数据集:

from sklearn.datasets import load_iris
data = load_iris()
#导入数据和标签
data_X = data.data
data_y = data.target

2.波士顿房价数据集:

from sklearn import datasets
loaded_data = datasets.load_boston()
#导入数据
data_X = loaded_data.data
data_y = loaded_data.target

通用学习模式

鸢尾花数据集:

from sklearn.model_selection import train_test_split
from sklearn import datasets

#k近邻函数
from sklearn.neighbors import KNeighborsClassifier
iris = datasets.load_iris()

#导入数据和标签
iris_X = iris.data
iris_y = iris.target

#划分为训练集和测试集数据
X_train, X_test, y_train, y_test = train_test_split(iris_X, iris_y, test_size=0.3)
#print(y_train)

#设置knn分类器
knn = KNeighborsClassifier()

#进行训练
knn.fit(X_train, y_train)

#使用训练好的knn进行数据预测
print(knn.predict(X_test))
print(y_test)

波士顿房价数据集:

import matplotlib.pyplot as plt
from sklearn import datasets
#调用线性回归函数
from sklearn.linear_model import LinearRegression

#导入数据集
#这里将全部数据用于训练，并没有对数据进行划分
#上例中, 将数据划分为训练和测试数据，后面会讲到交叉验证
loaded_data = datasets.load_boston()
data_X = loaded_data.data
data_y = loaded_data.target

#设置线性回归模块
model = LinearRegression()
#训练数据，得出参数
model.fit(data_X, data_y)

#利用模型，对新数据，进行预测，与原标签进行比较
print(model.predict(data_X[:4,:]))
print(data_y[:4])

主页

索引

模块索引

搜索页面