有哪些可以做1元夺宝的网站,推广网站哪家做的好,连云港网站建设的公司,内容营销包括哪些内容目录 前言
KNN算法
决策树算法
朴素贝叶斯算法
岭回归算法
线性优化算法 前言
本篇文章会介绍一些sklearn库中简单的机器学习算法如何使用#xff0c;一些注释已经写在代码中#xff0c;帮助一些小伙伴入门sklearn库的使用。
注意#xff1a;本篇文章只涉及到如何使用…目录 前言
KNN算法
决策树算法
朴素贝叶斯算法
岭回归算法
线性优化算法 前言
本篇文章会介绍一些sklearn库中简单的机器学习算法如何使用一些注释已经写在代码中帮助一些小伙伴入门sklearn库的使用。
注意本篇文章只涉及到如何使用并不会讲解原理如果想了解原理的小伙伴请自行搜索其他技术博客或者查看官方文档。
KNN算法
from sklearn.datasets import load_iris # 导入莺尾花数据集的模块
from sklearn.model_selection import train_test_split # 导入划分数据集的模块
from sklearn.preprocessing import StandardScaler # 导入标准化的模块
from sklearn.neighbors import KNeighborsClassifier # 导入KNN算法的模块
from sklearn.model_selection import GridSearchCV # 导入网格搜索和交叉验证的模块判断k取几的时候KNN算法的准确率最高iris load_iris() # 引入数据集x_train, x_test, y_train, y_test train_test_split(iris.data, iris.target) # 进行训练集和测试集的划分transfer StandardScaler() # 标准化操作
x_train transfer.fit_transform(x_train)
x_test transfer.transform(x_test)estimator KNeighborsClassifier() # KNN算法
param_dict {n_neighbors: [1, 3, 5, 7, 9, 11]} # 以字典的形式传入
estimator GridSearchCV(estimator, param_gridparam_dict,cv10) # 网格搜索
estimator.fit(x_train, y_train)
y_predict estimator.predict(x_test)
print(y_predict)
print(y_predict y_test)
r estimator.score(x_test, y_test)
print(准确率:, r)
print(最佳参数:, estimator.best_params_)
print(最佳结果:, estimator.best_score_)
print(最佳估计器:, estimator.best_estimator_)
print(交叉验证结果:, estimator.cv_results_)决策树算法
from sklearn.datasets import load_iris # 导入莺尾花数据集的模块
from sklearn.model_selection import train_test_split # 导入划分数据集的模块
from sklearn.tree import DecisionTreeClassifier # 导入决策树算法的模块
from sklearn import tree # 导入决策树可视化的模块
import matplotlib.pyplot as pltiris load_iris() # 引入数据集x_train, x_test, y_train, y_test train_test_split(iris.data, iris.target) # 进行训练集和测试集的划分estimator DecisionTreeClassifier(criterionentropy) # 按照信息增益决定特征分别位于树的那层
estimator.fit(x_train, y_train)
y_predict estimator.predict(x_test)
print(y_predict)
print(y_predict y_test)
r estimator.score(x_test, y_test)
print(准确率:, r)plt.figure(figsize(10, 10))
tree.plot_tree(estimator, feature_namesiris.feature_names) # 决策树可视化
plt.show() 朴素贝叶斯算法
# 计算概率那种的概率大就把它划分为那种
from sklearn.datasets import load_iris # 导入莺尾花数据集的模块
from sklearn.model_selection import train_test_split # 导入划分数据集的模块
from sklearn.naive_bayes import MultinomialNB # 导入朴素贝叶斯算法的模块iris load_iris() # 引入数据集x_train, x_test, y_train, y_test train_test_split(iris.data, iris.target) # 进行训练集和测试集的划分estimator MultinomialNB() # 朴素贝叶斯算法
estimator.fit(x_train, y_train)
y_predict estimator.predict(x_test)
print(y_predict)
print(y_predict y_test)
r estimator.score(x_test, y_test)
print(准确率:, r)岭回归算法
# 用岭回归对波士顿房价进行预测
from sklearn.datasets import load_boston # 导入波士顿房价的模块
from sklearn.model_selection import train_test_split # 导入数据集划分的模块
from sklearn.preprocessing import StandardScaler # 导入标准化的模块
from sklearn.linear_model import Ridge # 导入岭回归算法的模块
from sklearn.metrics import mean_squared_error # 导入均方误差的模块boston load_boston()
print(特征数量, boston.data.shape)x_train, x_test, y_train, y_test train_test_split(boston.data, boston.target, random_state22) # 进行数据集划分最后一个参数是设定随机数种子transfer StandardScaler()
x_train transfer.fit_transform(x_train)
x_test transfer.transform(x_test)estimator Ridge()
estimator.fit(x_train, y_train)
y_predict estimator.predict(x_test)
error mean_squared_error(y_test, y_predict)
print(岭回归-权重系数(k)为:, estimator.coef_)
print(岭回归-偏置(b)为:, estimator.intercept_)
print(岭回归-均方误差为:, error)线性优化算法
# 几个特征对应几个权重系数:yk1x1k2x2k3x3k4x4.....knxnb
# 对波士顿房价进行预测
# 正规方程优化算法和梯度下降优化算法
from sklearn.datasets import load_boston # 导入波士顿房价的模块
from sklearn.model_selection import train_test_split # 导入数据集划分的模块
from sklearn.preprocessing import StandardScaler # 导入标准化的模块
from sklearn.linear_model import LinearRegression, SGDRegressor # 导入正规方程算法和梯度下降算法的模块
from sklearn.metrics import mean_squared_error # 导入均方误差的模块判断两个算法那个更优均方误差越小的算法越优boston load_boston()
print(特征数量, boston.data.shape)x_train, x_test, y_train, y_test train_test_split(boston.data, boston.target, random_state22) # 进行数据集划分最后一个参数是设定随机数种子transfer StandardScaler()
x_train transfer.fit_transform(x_train)
x_test transfer.transform(x_test)estimator LinearRegression()
estimator.fit(x_train, y_train)
y_predict estimator.predict(x_test)
errormean_squared_error(y_test, y_predict)
print(正规方程-权重系数(k)为:, estimator.coef_)
print(正规方程-偏置(b)为:, estimator.intercept_)
print(正规方程-均方误差为:, error)estimator SGDRegressor()
estimator.fit(x_train, y_train)
y_predict estimator.predict(x_test)
error mean_squared_error(y_test, y_predict)
print(梯度下降-权重系数(k)为:, estimator.coef_)
print(梯度下降-偏置(b)为:, estimator.intercept_)
print(梯度下降-均方误差为:, error)
