python机器学习

机器学习代码通常是指使用编程语言（如Python）编写的代码，用于实现机器学习算法和模型。以下是一些基本的Python机器学习代码示例，包括数据加载、预处理、模型训练和评估。

1. 导入库

import numpy as np

import pandas as pd

from sklearn.model_selection import train_test_split

from sklearn.preprocessing import StandardScaler

from sklearn.linear_model import LogisticRegression

from sklearn.metrics import accuracy_score

2. 加载数据

# 假设我们有一个CSV文件名为 'data.csv'

data = pd.read_csv('data.csv')

# 查看数据集的前几行

print(data.head())

3. 数据预处理

# 假设 'features' 是特征列的列表，'label' 是标签列

X = data[features]

y = data[label]

# 划分训练集和测试集

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 特征缩放

scaler = StandardScaler()

X_train = scaler.fit_transform(X_train)

X_test = scaler.transform(X_test)

4. 训练模型

# 创建逻辑回归模型

model = LogisticRegression()

# 训练模型

model.fit(X_train, y_train)

5. 模型评估

# 预测测试集

y_pred = model.predict(X_test)

# 计算准确率

accuracy = accuracy_score(y_test, y_pred)

print(f"Accuracy: {accuracy * 100:.2f}%")

6. 模型优化

# 这里可以添加模型优化的代码，例如使用网格搜索（GridSearchCV）来寻找最佳参数

from sklearn.model_selection import GridSearchCV

# 定义参数网格

param_grid = {'C': [0.1, 1, 10, 100], 'penalty': ['l1', 'l2']}

# 创建网格搜索对象

grid_search = GridSearchCV(LogisticRegression(), param_grid, cv=5)

# 执行网格搜索

grid_search.fit(X_train, y_train)

# 打印最佳参数

print(grid_search.best_params_)

7. 模型部署

模型部署通常涉及到将训练好的模型保存到文件，并在需要时加载模型进行预测。

import joblib

# 保存模型

joblib.dump(model, 'model.pkl')

# 加载模型

loaded_model = joblib.load('model.pkl')

# 使用加载的模型进行预测

predictions = loaded_model.predict(new_data)

请注意，上述代码是一个简化的示例，实际的机器学习项目可能会涉及更复杂的数据处理、特征工程、模型选择和优化过程。此外，根据具体的应用场景，你可能需要使用不同的库和算法。