机器学习各类库的安装以及使用（小白教程一）

1、在终端中使用 pip 命令安装你需要的机器学习库

常用的机器学习库有：

• Scikit-learn（用于基本的机器学习算法）
• TensorFlow（用于深度学习）
• Keras（用于深度学习，通常与 TensorFlow 一起使用）
• PyTorch（另一个流行的深度学习框架）
• Pandas（用于数据处理）

终端使用win+R打开，输入命令：

pip install scikit-learn
pip install tensorflow
pip install keras
pip install torch
pip install pandas

 

2、检查机器学习库是否安装成功

import sklearn
print(sklearn.__version__)

运行结果 

3、在代码中导入相关库

安装完成后，你可以在 Python 代码中导入这些库。例如：

import numpy as np
# 导入 NumPy 库的语句，并且将该库简化为 np 这个别名。
import pandas as pd
# 导入 pandas 库的语句，并且将该库简化为 pd 这个别名。
from sklearn.model_selection import train_test_split
# 从 Scikit-learn 库中导入 `train_test_split` 函数
from sklearn.ensemble import RandomForestClassifier
# 从 Scikit-learn 库中导入 RandomForestClassifier 类

（1） `train_test_split` 函数用于将数据集拆分为训练集和测试集，以便进行机器学习模型的训练和评估。这个函数接受输入数据（特征）和输出数据（标签），并将它们随机拆分为两个部分：训练集和测试集。训练集用于训练模型，测试集用于评估模型的性能。

### 常见用法：
from sklearn.model_selection import train_test_split
import numpy as np
# 示例数据
X = np.array([[1, 2], [3, 4], [5, 6], [7, 8]])  # 特征数据
y = np.array([0, 1, 0, 1])  # 标签数据
# 拆分数据集，75%用于训练，25%用于测试
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=42)
print("训练集特征：\n", X_train)
print("测试集特征：\n", X_test)
print("训练集标签：\n", y_train)
print("测试集标签：\n", y_test)

### 参数说明：

- `X`：输入特征数据。

- `y`：输出标签数据。

- `test_size`：测试集的比例或绝对数量，通常是小数（如 0.25 表示 25%）或整数（如 1 表示一个样本）。

- `random_state`：随机种子，设置random_state的值为固定数，可以保证每次划分的结果一致。即其取值不变时，每次运行代码划分得到的结果一模一样，其值改变时，划分得到的结果不同。若不设置此参数，则划分结果是随机的每次都不一样，这样可能导致得到的训练结果不同。

例如上述代码random_state=42输出结果为：

将random_state的值改为50时划分结果为：

（2） RandomForestClassifier 类是随机森林算法的一种实现，广泛用于分类任务。随机森林分类器是一个集成学习方法，它由多个决策树组成。每棵树都是在训练数据的一个随机子集上训练而成，最终通过投票机制（每棵树投票选择类别）来决定输出类别。