python中sklearn库predict,python sklearn linearmodel

最新推荐文章于 2024-08-13 01:54:14 发布
最新推荐文章于 2024-08-13 01:54:14 发布
阅读量852 收藏 20
点赞数 16
文章标签： microsoft
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2301_81337765/article/details/136986663
版权

大家好，小编为大家解答python中sklearn库predict的问题。很多人还不知道python sklearn linearmodel，现在让我们一起来看看吧！

1．Sklearn简介

2.常规使用模式

3.数据标准化

4.交叉验证

5.过拟合问题

6.保存模型

1．Sklearn简介

Scikit-learn(sklearn)是机器学习中常用的第三方模块，对常用的机器学习方法进行了封装，包括回归（Regression）、降维（Dimensionality Reduction）、分类（Classfication）、聚类（Clustering）方法。

常用的回归：线性、决策树、SVM、KNN ；集成回归：随机森林、Adaboost、GradientBoosting、Bagging、ExtraTrees
常用的分类：线性、决策树、SVM、KNN，朴素贝叶斯；集成分类：随机森林、Adaboost、GradientBoosting、Bagging、ExtraTrees
常用聚类：k均值（K-means）、层次聚类（Hierarchical clustering）、DBSCAN
常用降维：LinearDiscriminantAnalysis、PCA

特点：

简单高效的数据挖掘和数据分析工具；
让每个人能够在复杂环境中重复使用；
建立Numpy、Scipy、Matplotlib之上；

安装：

安装scikit-learn可以使用pip install scikit-learn .
同时你还需要安装Numpy,Pandas（同样的安装方法）pythonturtle画递归树。

2.常规使用模式

2.1 流程

Sklearn是已经把算法都写好了，我们只需学会使用这些模块，当然，你在实际的学习中是需要搞清楚算法的原理，今天我们只讲如何使用sklearn。sklearn包含众多机器学习算法，这些算法模型的通用模式是怎么样的呢，下边我们就进行学习。

导包　->  加载数据　->  数据预处理　->  选择算法训练数据　->  测试数据　->  预测结果写入.csv中

#sklearn自带数据集，我们通过对自带数据集选择相应的机器学习算法进行训练。
from sklearn import datasets  #导入数据集
from sklearn.model_selection import train_test_split #将数据分为测试集和训练集
from sklearn.neighbors import KNeighborsClassifier  #利用近邻点方式训练数据

iris=datasets.load_iris() #加载鸢尾花数据
iris_X=iris.data  #特征
iris_y=iris.target #目标变量

#将数据集分成训练集和测试集两部分，测试集占比30%
X_train,X_test,y_train,y_test=train_test_split(iris_X,iris_y,test_size=0.3)

print(y_train)  #看看y_train都有啥
[2 0 2 1 0 2 1 2 1 0 1 0 1 2 2 2 0 1 2 1 1 1 0 1 2 1 0 0 0 0 0 1 0 1 1 2 2
 1 2 2 1 0 2 1 0 1 0 0 2 2 2 1 2 2 0 0 0 2 0 0 0 2 2 2 0 0 2 1 0 2 1 2 1 1
 2 2 2 0 2 1 0 0 1 2 2 0 1 0 1 1 0 2 0 1 1 2 0 1 0 1 2 1 2 0 1]
#训练数据
knn=KNeighborsClassifier() #引入训练方法
knn.fit(X_train,y_train)  #队训练数据进行拟合
KNeighborsClassifier(algorithm='auto', leaf_size=30, metric='minkowski',
           metric_params=None, n_jobs=1, n_neighbors=5, p=2,
           weights='uniform')
#测试数据
y_pred=knn.predict(X_test)  
# y_predprob=knn.predict_proba(X_test)[:,1]
print(y_pred)  #查看一下测试数据的预测类别
[1 1 1 1 1 0 0 0 0 0 1 2 0 1 2 2 1 0 0 0 2 1 2 2 2 0 2 0 0 2 1 2 2 0 1 2 0
 2 1 2 1 1 1 2 0]

一般，我们参加比赛会把最后的模型结果写入.csv文件，提交。

# print(type(y_pred))
# print(y_pred.size)
#生成一个样本对应ID,假设是1-45的序号
ind=[]
for i in range(45):
    ind.append(i+1)
#回顾Pandas中的数据框
import pandas as pd
dic={'id':ind,'pred':y_pred}
test_pred=pd.DataFrame(dic)
test_pred.head()

#将数据框写入.csv文件中
test_pred.to_csv('knn_iris.csv',index=False)

其他的不同的数据集：
load_boston()
load_iris()
load_diabetes()
load_digits()
load_linnerud()
load_wine()
load_breast_cancer()
load_sample_images()

2.2 sklearn中的数据展示

from sklearn import datasets 
X,y=datasets.make_regression(n_samples=100,n_features=1,n_targets=1,noise=1) #生成本地数据集
#n_samples:样本数 n_features：特征数，n_targets:输出y的维度

#对构造数据绘图
import matplotlib.pyplot as plt
plt.figure()
plt.scatter(X,y)
plt.show()

datasets.make_regression文档说明

2.3 sklearn Model中常用属性与功能

数据训练之后的模型会相应的包含不同的属性和功能，接下我们来看一下都有什么属性跟功能呢？

#对于线性回归模型，最后训练的模型，可以输出拟合直线的系数和截距，
#同时可以获得训练模型所使用的参数，以及对训练模型进行打分
from sklearn import datasets
from sklearn.linear_model import LinearRegression  #导入线性回归模型

#加载数据
load_data=datasets.load_boston()
data_X=load_data.data
data_y=load_data.target
print(data_X.shape) #样本个数和样本特征数

#训练数据
model=LinearRegression()
model.fit(data_X,data_y)
model.predict(data_X[:4,:])  #预测前四个数据

#查看模型的一些属性和功能
w=model.coef_  #拟合直线的系数
b=model.intercept_  #拟合直线的截距
param=model.get_params() #模型训练参数

print(w)
print(b)
print(param)
(506, 13)
[-1.07170557e-01  4.63952195e-02  2.08602395e-02  2.68856140e+00
 -1.77957587e+01  3.80475246e+00  7.51061703e-04 -1.47575880e+00
  3.05655038e-01 -1.23293463e-02 -9.53463555e-01  9.39251272e-03
 -5.25466633e-01]
36.49110328036181
{'copy_X': True, 'fit_intercept': True, 'n_jobs': 1, 'normalize': False}

对于线性回归如此，对与其他的模型同样如此，根据官方文档查看模型的属性跟方法，使用起来非常方便。

3.数据标准化

许多学习算法中目标函数的基础都是假设所有的特征都是零均值并且具有同一阶数上的方差（比如径向基函数，支持向量机以及L1L2正则化项等）。如果某个特征的方差比其他特征大几个数量级，那么他就会在学习算法中占据主导位置，导致学习器对其他特征有所忽略。
标准化先对数据进行中心化，再除以特征的标准差进行缩放。
在sklearn中，我们可以通过Scale将数据缩放，达到标准化的目的。

from sklearn import preprocessing
import numpy as np
a=np.array([[10,2.7,3.6],
           [-100,5,-2],
            [120,20,40]],dtype=np.float64)
print("标准化前的数据：",a)
print("标准化后的数据：",preprocessing.scale(a))
标准化前的数据： [[  10.     2.7    3.6]
 [-100.     5.    -2. ]
 [ 120.    20.    40. ]]
标准化后的数据： [[ 0.         -0.85170713 -0.55138018]
 [-1.22474487 -0.55187146 -0.852133  ]
 [ 1.22474487  1.40357859  1.40351318]]

下边我们就来看一下数据不做标准化处理跟做了标准化处理有什么区别

from sklearn.model_selection import train_test_split
from sklearn.datasets.samples_generator import make_classification
from sklearn.svm import SVC
import matplotlib.pyplot as plt

#生成数据可视化如下
plt.figure()
X,y=make_classification(n_samples=300,n_features=2,n_redundant=0,n_informative=2,
                       random_state=22,n_clusters_per_class=1,scale=100)
plt.scatter(X[:,0],X[:,1],c=y)
plt.show()

X_pre=X
y_pre=y
X_train_pre,X_test_pre,y_train_pre,y_test_pre=train_test_split(X_pre,y_pre,test_size=0.3)
clf=SVC()
clf.fit(X_train_pre,y_train_pre)
print(clf.score(X_test_pre,y_test_pre))
0.5222222222222223
#利用minmax方式对数据进行规范化
X=preprocessing.minmax_scale(X) #feature_range=(-1,1)  #可设置重置范围
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.3)
clf=SVC()
clf.fit(X_train,y_train)
print(clf.score(X_test,y_test))
0.9111111111111111

可以看到数据规范化之前模型分数为0.52222，数据规范化之后模型分数为0.91111

4.交叉验证

交叉验证的思想就是重复的使用数据，把得到的样本数据进行切分，组合成为不同的训练集和验证集，用训练集来训练模型，用验证集评估模型预测的好坏。

（1）简单的交叉验证：

随机的将样本数据分为两部分（如70%训练，30%测试），然后用训练集来训练模型，在验证集上验证模型及参数；接着再把样本打乱，重新选择训练集和验证集，重新训练验证，最后选择损失函数评估最优的模型和参数。

（2）k折交叉验证：

随机将样本数均分为K份，每次随机选择其中的k-1份作为训练集，剩下的1份做验证集。当这一轮完成后，重新随机选择k-1份来训练数据，若干轮后选择损失函数评估最优的模型和参数。

（3）留一交叉验证：

留一交叉验证是k折交叉验证的一种特例，此时k=n(样本的个数)，每次选择n-1个样本进行训练，留一个样本进行验证模型的好坏。
这种方法适合样本量非常少的情况。

（4）Boostrapping自助采样法：

这种方法也是随机森林训练样本采用的方法。
在n个样本中随机有放回抽样m个样本作为一颗树的一个训练集，这种采用会大约有1/3的样本不被采到，这些不被采到的样本就会被作为这棵树的验证集。

如果只是对数据做一个初步的模型建立，不需要做深入分析的话，简单的交叉验证就可以了，否则使用k折交叉验证，在样本量很小时，可以选择使用留一法。
总之，所有的东西不是一成不变的，大家在遇到具体问题的时候，可以所有方式都尝试一下，看看效果，根据具体问题选择合适的方法

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import cross_val_score  #导入交叉验证

#加载数据
iris=load_iris()
X=iris.data
y=iris.target

#训练数据
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.3)


knn=KNeighborsClassifier(n_neighbors=5)#选择邻近的5个点
scores=cross_val_score(knn,X,y,cv=5,scoring='accuracy')#5折交叉验证，评分方式为accuracy
print(scores)#每组的评分结果

print(scores.mean())#平均评分结果


[0.96666667 1.         0.93333333 0.96666667 1.        ]
0.9733333333333334
#调整模型参数，采用k近邻方法中k=5
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import cross_val_score#引入交叉验证
import  matplotlib.pyplot as plt
#加载数据
iris=datasets.load_iris()
X=iris.data
y=iris.target
#设置n_neighbors的值为1到30,通过绘图来看训练分数
k_range=range(1,31)
k_score=[]
for k in k_range:
    knn=KNeighborsClassifier(n_neighbors=k)
    scores=cross_val_score(knn,X,y,cv=10,scoring='accuracy')#10折交叉验证
    k_score.append(scores.mean())
plt.figure()
plt.plot(k_range,k_score)
plt.xlabel('Value of k for KNN')
plt.ylabel('CrossValidation accuracy')
plt.show()
#K过大会带来过拟合问题,我们可以选择12-18之间的值

另外我们可以选择2-fold cross validation,leave-one-out cross validation等方法来分割数据，比较不同的方法和参数得到最优结果。

# 调整模型参数，采用k近邻方法中k=5
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import cross_val_score#引入交叉验证
# from sklearn.model_selection import LeaveOneOut
import  matplotlib.pyplot as plt
#加载数据
iris=datasets.load_iris()
X=iris.data
y=iris.target
print(len(X))

#设置n_neighbors的值为1到30,通过绘图来看训练分数
k_range=range(1,31)
k_score=[]
for k in k_range:
    knn=KNeighborsClassifier(n_neighbors=k)
    scores=cross_val_score(knn,X,y,cv=10,scoring='accuracy')#10折交叉验证
    k_score.append(scores.mean())
plt.figure()
plt.plot(k_range,k_score)
plt.xlabel('Value of k for KNN')
plt.ylabel('CrossValidation accuracy')
plt.show()

150

#改变评分函数“neg_mean_squared_error”
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import cross_val_score#引入交叉验证
# from sklearn.model_selection import LeaveOneOut
import  matplotlib.pyplot as plt
#加载数据
iris=datasets.load_iris()
X=iris.data
y=iris.target
print(len(X))

#设置n_neighbors的值为1到30,通过绘图来看训练分数
k_range=range(1,31)
k_score=[]
for k in k_range:
    knn=KNeighborsClassifier(n_neighbors=k)
    loss=-cross_val_score(knn,X,y,cv=10,scoring='neg_mean_squared_error')#10折交叉验证
    k_score.append(loss.mean())
plt.figure()
plt.plot(k_range,k_score)
plt.xlabel('Value of k for KNN')
plt.ylabel('CrossValidation accuracy')
plt.show()

150

5.过拟合问题

过拟合的问题是因为模型过于复杂，对于训练数据能很好的拟合，却不能正确的处理测试数据，从一个角度说就是，学到了一些样本数据一些非通用信息。使得模型的泛化效果非常不好。

#先距离如何辨别overfitting问题

#Sklearn.learning_curve中的learning curve可以直观的看出模型学习的进度，对比发现有没有过拟合。

from sklearn.model_selection import learning_curve  # 学习曲线
from sklearn.datasets import load_digits 
from sklearn.svm import SVC
import matplotlib.pyplot as plt
import numpy as np

#加载数据
digits=load_digits()
X=digits.data
y=digits.target

#train_size表示记录学习过程中的某一步,比如在10%,25%...的过程中记录一下
train_size,train_loss,test_loss=learning_curve(
    SVC(gamma=0.1),X,y,cv=10,scoring='neg_mean_squared_error',
    train_sizes=[0.1,0.25,0.5,0.75,1]
)
train_loss_mean=-np.mean(train_loss,axis=1)
test_loss_mean=-np.mean(test_loss,axis=1)

plt.figure()
#将每一步进行打印出来
plt.plot(train_size,train_loss_mean,'o-',color='r',label='Training')
plt.plot(train_size,test_loss_mean,'o-',color='g',label='Cross-validation')
plt.legend(loc='best')
plt.show()
# ，损失函数的值在10左右停留，便能直观得看出过拟合

#改变gamma的值0.01，会相应的改变loss函数
from sklearn.model_selection import learning_curve  # 学习曲线
from sklearn.datasets import load_digits 
from sklearn.svm import SVC
import matplotlib.pyplot as plt
import numpy as np

#加载数据
digits=load_digits()
X=digits.data
y=digits.target

#train_size表示记录学习过程中的某一步,比如在10%,25%...的过程中记录一下
train_size,train_loss,test_loss=learning_curve(
    SVC(gamma=0.01),X,y,cv=10,scoring='neg_mean_squared_error',
    train_sizes=[0.1,0.25,0.5,0.75,1]
)
train_loss_mean=-np.mean(train_loss,axis=1)
test_loss_mean=-np.mean(test_loss,axis=1)

plt.figure()
#将每一步进行打印出来
plt.plot(train_size,train_loss_mean,'o-',color='r',label='Training')
plt.plot(train_size,test_loss_mean,'o-',color='g',label='Cross-validation')
plt.legend(loc='best')
plt.show()


# 通过改变不同的gamma值可以看到Loss函数的变化情况
from sklearn.model_selection import validation_curve  # 验证曲线
from sklearn.datasets import load_digits 
from sklearn.svm import SVC
import matplotlib.pyplot as plt
import numpy as np

#加载数据
digits=load_digits()
X=digits.data
y=digits.target

#改变param来观察loss函数的情况
param_range=np.logspace(-6,-2.3,5)
train_loss,test_loss=validation_curve(
    SVC(),X,y,param_name='gamma',param_range=param_range,cv=10,
    scoring='neg_mean_squared_error'
)
train_loss_mean=-np.mean(train_loss,axis=1)
test_loss_mean=-np.mean(test_loss,axis=1)

plt.figure()
plt.plot(param_range,train_loss_mean,'o-',color='r',label='Training')
plt.plot(param_range,test_loss_mean,'o-',color='g',label='Cross-validation')
plt.xlabel('gamma')
plt.ylabel('loss')
plt.legend(loc='best')
plt.show()

6.保存模型

我们花费很长的时间训练数据，调整参数，得到最优模型。但如果改变平台，我们还需要重新训练数据和修正参数来得到模型，将会非常的浪费时间。此时我们可以先将model保存起来，然后就可以很方便的将模型迁移。

from sklearn import svm
from sklearn import datasets

#加载数据
iris=datasets.load_iris()
X,y=iris.data,iris.target
clf=svm.SVC()
clf.fit(X,y)

print(clf.get_params)

<bound method BaseEstimator.get_params of SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0,
  decision_function_shape='ovr', degree=3, gamma='auto', kernel='rbf',
  max_iter=-1, probability=False, random_state=None, shrinking=True,
  tol=0.001, verbose=False)>
#导入sklearn中自带的保存模块
from sklearn.externals import joblib

#保存model
joblib.dump(clf,'sklearn_save/clf.pkl')
['sklearn_save/clf.pkl']

#重新加载model，只有保存一次后才能加载model
clf3=joblib.load('sklearn_save/clf.pkl')
print(clf3.predict(X[0:1]))
#保存model能够更快的获得以前的结果
[0]

sklearn中的知识很多，在实际中使用很丰富，以上我们只讲解了一些知识点，大家先熟悉了sklearn可以做啥，应该怎么用，如果大家向更加详细的了解sklearn，不防看看官方文档中解释。
sklearn用户指导

小结

对于机器学习任务，一般我们的主要步骤是：

1.加载数据集（自己的数据，或者网上的数据，或者sklearn自带的数据）
2.数据预处理（降维，数据归一化，特征提取，特征转换）
3.选择模型并训练 （直接查看api找到你需要的方法，直接调用即可，其中你可能需要调调参等）
4.模型评分（使用模型自带的score方法，或者使用sklearn指标函数，或者使用自己的评价方法）
5.模型的保存

Python Sklearn库中回归算法的多种实现示例
07-20
## Python Sklearn库中回归算法的多种实现示例 ### 引言 回归分析作为一种重要的统计方法，在机器学习和数据分析领域扮演着核心角色。通过研究因变量与一个或多个自变量之间的关系，回归分析能够帮助我们理解数据...
机器学习python实践过程中关于predict函数相关注意事项
SZX0311的博客
05-27 1019
最近在跟着相关指导书，利用python对机器学习的相关模型进行实战，但是其中有一个predict函数让我感到很头疼，然后查了一些资料，结合个人的总结，写下这篇文章，想跟大家一起探讨一下，如果我有哪里说错了请见谅，本人虚心接受批评指正。运行代码 print(type(np.array([X[312]])))可以知道它的类型是numpy.ndarray，即numpy数组。然后我们运行代码print("结果是：",gnb.predict(np.array([X[312]])))，代码正常运行，如下。
机器学习---sklearn
weixin_44838881的博客
05-21 4万+
1.Sklearn简介 sklearn (全称 Scikit-Learn) 是基于 Python 语言的机器学习工具,Sklea是处理机器学习 (有监督学习和无监督学习) 的包。它建立在 NumPy, SciPy, Pandas 和 Matplotlib 之上，其主要集成了数据预处理、数据特征选择，sklearn有六个任务模块和一个数据引入模块： 有监督学习的分类任务 有监督学习的回归任务 无监督学习的聚类任务 无监督学习的降维任务 数据预处理任务 模型选择任务 数据引入 具体流程如下： 下载 skl.
机器学习——线性回归（sklearn）
最新发布
CXDNW的博客
08-13 3553
回归是一种 应用广泛的 预测建模技术，这种 技术的核心 在于预测的结果 是连续型变量。理解线性回归可以有 两种角度：矩阵的角度和代数的角度。多重共线性 是一种 统计现象，是指线性模型中的 特征（解释变量）之间 由于存在 精确相关关系 或 高度相关关系，多重共线性的 存在会使模型 无法建立，或者 估计失真。
sklearn库的学习
热门推荐
yeal
12-24 17万+
sklearn入门，sklearn库结构
Python之Sklearn使用教程
谓之小一
04-15 16万+
1.Sklearn简介 Scikit-learn(sklearn)是机器学习中常用的第三方模块，对常用的机器学习方法进行了封装，包括回归(Regression)、降维(Dimensionality Reduction)、分类(Classfication)、聚类(Clustering)等方法。当我们面临机器学习问题时，便可根据下图来选择相应的方法。Sklearn具有以下特点： 简单高效的数据挖...
非常详细的sklearn介绍
机器学习算法那些事
11-12 17万+
0引言Sklearn (全称 Scikit-Learn) 是基于 Python 语言的机器学习工具。它建立在 NumPy, SciPy, Pandas 和 Matplot...
python sklearn 机器学习 使用简介
whatday的专栏
03-12 2243
Scikit-learn(sklearn)是机器学习中常用的第三方模块，对常用的机器学习方法进行了封装，包括回归(Regression)、降维(Dimensionality Reduction)、分类(Classfication)、聚类(Clustering)等方法。当我们面临机器学习问题时，便可根据下图来选择相应的方法。简单高效的数据挖掘和数据分析工具让每个人能够在复杂环境中重复使用建立NumPy、Scipy、MatPlotLib之上。
Python使用sklearn库实现的各种分类算法简单应用小结
09-19
在Python的机器学习领域，`sklearn`库是不可或缺的一部分，它提供了丰富的算法实现，包括各种分类算法。本文将简要介绍如何使用`sklearn`库实现KNN、SVM、逻辑回归（LR）、决策树、随机森林以及梯度提升决策树（GBDT...
python sklearn库实现简单逻辑回归的实例代码
09-19
from sklearn.linear_model import LogisticRegression from sklearn import metrics # 数据加载 data = xlrd.open_workbook('gua.xlsx') sheet = data.sheet_by_index(0) Density = sheet.col_values(6) Sugar = ...
python-sklearn-用法.docx
06-11
Scikit-learn，通常简称为sklearn，是Python编程语言中的一个强大机器学习库，它包含了大量的算法和工具，适用于各种机器学习任务，如分类、回归、聚类和降维等。下面将详细介绍如何利用Scikit-learn进行机器学习...
Sklearn入门
chen的博客
10-07 1223
Scikit learn 也简称 sklearn, 是机器学习领域当中最知名的 python 模块之一.我们总能够从这些方法中挑选出一个适合于自己问题的, 然后解决自己的问题。
【机器学习基础 3】 sklearn库
yewanyuan的博客
03-25 1万+
Scikit-learn（简称sklearn）是一个用于机器学习的Python库，它包含了许多常用的机器学习算法、预处理技术、模型选择和评估工具等，可以方便地进行数据挖掘和数据分析。Scikit-learn建立在NumPy、SciPy和Matplotlib之上。
机器学习之sklearn基础教程！
小白学视觉
04-07 6588
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达本次分享是基于scikit-learn工具包的基本分类方法，包括常见的Logisitic Regression、支持向量机、决策树、随机森林以及K近邻方法KNN。本文在基于读者已经基本了解这些基本算法的原理以及推导的基础上，使用sklearn工具包进行算法实践，如果大家没有掌握基本算法原理，文中也会给出...
Python基础教程:sklearn机器学习入门
Rocky006的博客
07-23 3291
sklearn（全名为scikit-learn）是一个建立在NumPy、SciPy和matplotlib等科学计算库的基础上，用于机器学习的Python开源库。它提供了丰富的工具和函数，用于处理各种机器学习任务，包括分类、回归、聚类、降维、模型选择、预处理等。Scikit-Learn支持多种常见的机器学习算法，如线性回归、逻辑回归、决策树、支持向量机、随机森林、K近邻、聚类算法等。此外，它还提供了各种评估指标和模型选择技术，如交叉验证、特征选择、参数调优等，以帮助用户选择和优化合适的模型。
非常详细的Sklearn介绍
疯狂老司机的博客
04-15 4013
​ Sklearn(全称 Scikit-Learn) 是基于 Python 语言的机器学习工具。它建立在 NumPy, SciPy, Pandas 和 Matplotlib 之上，里面的 API 的设计非常好，所有对象的接口简单，很适合新手上路。
Sklearn安装（简明教程）
Xingchen0101的博客
08-14 8万+
sklearn安装
Python 中sklearn 的linear-model的用法
06-08
sklearn 中的 linear-model 模块提供了许多线性模型的实现，包括最基本的线性回归模型。下面是一个简单的线性回归模型的例子： ```python from sklearn.linear_model import LinearRegression from sklearn.metrics...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值