黑马程序员——三天快速入门python机器学习（二）

已于 2022-06-23 16:28:05 修改
阅读量1.4k 收藏 21
点赞数 4
文章标签： sklearn 机器学习 python
于 2022-06-18 22:45:59 首次发布
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/m0_63273208/article/details/125331695
版权

特征工程（1）

数据集

可用数据集

  1. Kaggle：
  1. UCI：
  1. scikit-learn：

scikit-learn

  1. 介绍
  • scikit-learn中文社区: http://scikit-learn.org.cn/
  • Python语言的机器学习工具
  • scikit-learn 包括许多知名机器算法的实现
  • 文档完善，易上手，丰富的API
  • 目前稳定版本 0.19.1
  1. 内容
    在这里插入图片描述

sklearn 数据集

  1. sklearn 数据集API介绍
  • sklearn.datasets.load_*()
    用于获取小规模数据集，数据包含在datasets里
  • sklearn.datasets.fetch_*(data_home=None)
    获取大规模数据集，需从网络上下载，函数的第一个参数是data_home,表示数据下载的目录，不指定的话默认~/scikit_learn_data/
  1. sklearn小数据集

举例:

  • sklearn.datasets.load_iris()
    加载并返回鸢尾花数据集

  • sklearn.datasets.load_boston()
    加载并返回波斯顿房价数据集

  1. sklearn大数据集
  • sklearn.datasets.fetch_20newsgroups(data=None, subset=‘train’)
    subset：‘train’或者’test’，‘all’，可选，选择要加载的数据集
    训练集选‘train’，测试集选’test’，两者的‘all’
  1. sklearn数据集的使用
  • load和fetch返回的数据类型为datasets.base.Bunch（字典格式）
  • 键值对：
    data：特征数据数组，是[n_samples * n_features]的二维numpy.ndarry数组
    target：标签数组，是n_samples的一维numpy.ndarry数组
    DESCR：数据描述
    feature_names：特征名，新闻数据，手写数字、回归数据集没有
    target_names：标签名
  • 两种获取键值对的方式：dict[‘‘key’’]=value 和 bunch.key=value
from sklearn.datasets import load_iris

def datasets_demo():
    """
    sklearn数据集使用
    :return:
    """
    # 获取数据集
    iris = load_iris()
    print("鸢尾花数据集：\n", iris)
    print("查看数据集描述：\n", iris["DESCR"])           
    print("查看特征值的名字：\n", iris.feature_names)
    print("查看特征值：\n", iris.data, iris.data.shape)  # shape:(150,4)
    return None

if __name__ == "__main__":
    datasets_demo()
  1. 数据集的划分
  • 机器学习一般的数据集会划分为两个部分：
    训练数据：用于训练，构建模型
    测试数据：模型检验，评估模型是否有效
  • 划分比例：
    训练集：80%~70%
    测试集：20%~30%
  1. 数据集划分api：

sklearn.model_selection.train_test_split(arrays, options)

  • x 数据集的特征值 ; y 数据集的标签值
  • test_size测试集的大小，一般为float，不设定则按默认值
  • random_state 随机数种子，不同的种子会造成不同的随机采样结果 , 相同的种子采样结果相同。
  • return 训练集特征值 x_train，测试集特征值 x_test，训练集目标值 y_train，测试集目标值 y_test
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split


def datasets_demo():
    """
    sklearn数据集使用
    :return:
    """
    # 获取数据集
    iris = load_iris()
    print("鸢尾花数据集：\n", iris)
    print("查看数据集描述：\n", iris["DESCR"]) #字典方式获取键值对
    print("查看特征值的名字：\n", iris.feature_names) #点属性方式获取键值对
    print("查看特征值：\n", iris.data, iris.data.shape)  # 150个样本

    # 数据集划分
    x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=22)
    print("训练集的特征值：\n", x_train, x_train.shape)   # 返回为150*0.8=120个样本
    return None

if __name__ == "__main__":
    datasets_demo()
  1. 代码运行
    我使用的是Anaconda（CSND上搜索安装教程），Anaconda是包管理器和环境管理器，里面附带了大批常用科学数据包，包括我们所要学习的sklearn数据集
  • 安装好之后进入Anaconda，点击Jupyter下方的luanch

在这里插入图片描述

  • 点击New里面的Python3
    在这里插入图片描述
  • 将代码复制进去，然后点击运行就可以得到数据集
    在这里插入图片描述

特征工程

特征工程介绍

定义：特征工程是使用专业背景知识和技巧处理数据，使得特征能在机器学习算法上发挥更好的作用的过程。
意义：特征工程会直接影响机器学习的效果。数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。

特征工程的位置与数据处理的比较

  • pandas：一个数据读取非常方便以及基本的处理格式的工具（数据清洗、数据处理）
  • sklearn：对于特征的处理提供了强大的接口（特征工程）
  • 特征工程包含内容：特征抽取（或提取）；特征预处理；特征降维

特征提取

定义：将任意数据（如文本或图像）转换为可用于机器学习的数字特征
注：特征值是为了计算机更好的去理解数据

  • 字典特征提取（特征离散化）
  • 文本特征提取
  • 图像特征提取（深度学习再详细讲）

特征提取API: sklearn.feature_extraction

字典特征提取

作用：对字典数据进行特征值化

sklearn.feature_extraction.DictVectorizer(sparse=True, …)

  • DictVectorizer.fit_transform(X)， X：字典或者包含字典的迭代器返回值，返回sparse矩阵
  • DictVectorizer.inverse_transform(X)， X：array数组或者sparse矩阵 返回值：转换之前数据格式
  • DictVectorizer.get_feature_names()：返回类别名称

应用
字典特征提取：将类别转换为one-hot编码，节省内存，提高下载效率

from sklearn.feature_extraction import DictVectorizer
# 特征提取

def dict_demo():
    """
    字典特征抽取
    :return:
    """
    data = [{'city':'北京', 'temperature':100},
            {'city':'上海', 'temperature':60},
            {'city':'深圳', 'temperature':30}]
    # 1、实例化一个转换器类
    transfer = DictVectorizer(sparse=False)
     # 如果是True则返回sparse矩阵（稀疏矩阵）会将非零值按位置表示，节省内存，提高加载效率
      
    # 2、调用fit_transform()
    data_new = transfer.fit_transform(data)
    print("data_new：\n", data_new)   # 转化后的
    print("特征名字：\n", transfer.get_feature_names())

    return None


if __name__ == "__main__":
    dict_demo()

运行得到：

data_new：
 [[  0.   1.   0. 100.]
 [  1.   0.   0.  60.]
 [  0.   0.   1.  30.]]
 特征名字：
 ['city=上海', 'city=北京', 'city=深圳', 'temperature']

应用场景

  • 数据集当中类别特征比较多：将数据集的特征转化为字典类型，用 DictVectorizer 进行特征抽取
  • 本身拿到的数据就是字典类型

文本特征提取

作用：对文本数据进行特征值化,一般用单词作为特征

方法一：CountVectorizer

API

sklearn.feature_extraction.text.CountVectorizer(stop_words=[])
返回词频矩阵，stop_words：停用词，

  • CountVectorizer.fit_transform(X)
    X：文本或者包含文本字符串的可迭代对象，返回值：返回sparse矩阵

  • CountVectorizer.inverse_transform(X)
    X：array数组或者sparse矩阵，返回值：转换之前数据格

  • CountVectorizer.get_feature_names()
    返回值：单词列表

英文文本特征提取

from sklearn.feature_extraction.text import CountVectorizer
# 导入转换器类

def count_demo():
    """
    文本特征抽取：CountVectorizer
    :return:
    """
    data = ['life is short,i like like python',
            'life is too long,i dislike python']
    # 1、实例化一个转换器类
   # transfer = CountVectorizer(stop_words=["is","too"]) 使用停用词，将不计入该词
    transfer = CountVectorizer()
    
    # 2、调用fit_transform
    data_new = transfer.fit_transform(data)
    print("data_new：\n", data_new.toarray())  
    # toarray：将sparse转换为二维数组
    print("特征名字：\n", transfer.get_feature_names())
    return None
    
if __name__ == "__main__":
    count_demo()

运行结果

data_new：
 [[0 1 1 2 0 1 1 0]
 [1 1 1 0 1 1 0 1]]
特征名字：
 ['dislike', 'is', 'life', 'like', 'long', 'python', 'short', 'too']

中文文本特征提取

  1. 手动分词
from sklearn.feature_extraction.text import CountVectorizer

def count_Chinese_demo():
    """
    中文文本特征抽取：CountVectorizer
    手动分词
    :return:
    """
    data = ['我 爱 北京 天安门',
            '天安门 上 太阳 升'] 
    # 1、实例化一个转换器类
    transfer = CountVectorizer()
    # 2、调用fit_transform
    data_new = transfer.fit_transform(data)
    print("data_new：\n", data_new.toarray())  # toarray：转换为二维数组
    print("特征名字：\n", transfer.get_feature_names())

    return None

if __name__ == "__main__":
    count_demo()

运行结果

data_new：
 [[1 1 0]
 [0 1 1]]
特征名字：
 ['北京', '天安门', '太阳']
  1. jieba分词处理（自动分词）
from sklearn.feature_extraction.text import CountVectorizer
import jieba  #导入jieba库

def count_chinese_demo2():
    '''
    中文文本特征提取
    '''
    data = ['一种还是一种今天很残酷，明天更残酷，后天很美好，但绝对大部分是死在明天晚上，所以每个人不要放弃今天。',
            '我们看到的从很远星系来的光是在几百万年之前发出的，这样当我们看到宇宙时，我们是在看它的过去。',
            '如果只用一种方式了解某件事物，他就不会真正了解它。了解事物真正含义的秘密取决于如何将其与我们所了解的事物相联系。']
    data_new=[]
    for sent in data:
        data_new.append(cut_word(sent))
    transfer=CountVectorizer() #可加stop_word
    data_final=transfer.fit_transform(data_new)
    print('data_final=\n',data_final.toarray())
    print('特征名字：\n',transfer.get_feature_names())
    return None


def cut_word(text):
    '''进行中文分词'''
    a=' '.join(list(jieba.cut(text)))
    print(a)
    return a

if __name__=="__main__":
    count_chinese_demo2()

运行结果

一种 还是 一种 今天 很 残酷 ， 明天 更 残酷 ， 后天 很 美好 ， 但 绝对 大部分 是 死 在 明天 晚上 ， 所以 每个 人 不要 放弃 今天 。
我们 看到 的 从 很 远 星系 来 的 光是在 几百万年 之前 发出 的 ， 这样 当 我们 看到 宇宙 时 ， 我们 是 在 看 它 的 过去 。
如果 只用 一种 方式 了解 某件事 物 ， 他 就 不会 真正 了解 它 。 了解 事物 真正 含义 的 秘密 取决于 如何 将 其 与 我们 所 了解 的 事物 相 联系 。
data_final=
 [[2 0 1 0 0 0 2 0 0 0 0 0 1 0 1 0 0 0 0 1 1 0 2 0 1 0 2 1 0 0 0 1 1 0 0 1
  0]
 [0 0 0 1 0 0 0 1 1 1 0 0 0 0 0 0 0 1 3 0 0 0 0 1 0 0 0 0 2 0 0 0 0 0 1 0
  1]
 [1 1 0 0 4 2 0 0 0 0 1 1 0 1 0 1 1 0 1 0 0 1 0 0 0 1 0 0 0 2 1 0 0 1 0 0
  0]]
特征名字：
 ['一种', '不会', '不要', '之前', '了解', '事物', '今天', '光是在', '几百万年', '发出', '取决于', '只用', '后天', '含义', '大部分', '如何', '如果', '宇宙', '我们', '所以', '放弃', '方式', '明天', '星系', '晚上', '某件事', '残酷', '每个', '看到', '真正', '秘密', '绝对', '美好', '联系', '过去', '还是', '这样']

关键词：再某一类别的文章中，出现次数很多，但在其他类别的文章中出现很少

方法二： TfidfVectorizer

重要性：分类机器学习算法进行文章分类中前期数据处理方式

  1. API：类比CountVectorizer的API

  2. TF_IDF文本特征提取

  • TF-IDF:衡量特征词的重要程度
  • 主要思想：如果某个词或短语在一篇文章中出现的概率高，并且在其他文章中很少出现，则认为此词或者短语具有很好的类别区分能力，适合用来分类
  • 作用：用以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。
  • 词频（term frequency，TF）：某给定词语在文中出现的频率
  • 逆向文档频率（inverse document frequency，IDF）：词语普遍重要性的度量。
from sklearn.feature_extraction.text import CountVectorizer, TfidfVectorizer
import jieba

def tfidf_demo():
    """
    用TF-IDF的方法进行文本特征抽取
    :return:
    """
    data = ['今天很残酷，明天更残酷，后天很美好，但绝大部分是死在明天晚上，所以每个人不要放弃今天。',
            '我们看到的从很远星系来的光是在几百万年之前发出的，这样当我们看到宇宙时，我们是在看它的过去。',
            '如果只用一种方式了解某件事物，他就不会真正了解它。了解事物真正含义的秘密取决于如何将其与我们所了解的事物相联系。']
    data_new = []
    for sent in data:
        data_new.append(cut_word(sent))
    print(data_new)

    # 1、实例化一个转换器类
    transfer = TfidfVectorizer()
    # 2、调用fit_transform
    data_final = transfer.fit_transform(data_new)
    print("data_final:\n", data_final.toarray())
    print("特征名字：\n", transfer.get_feature_names())
    return None

def cut_word(text):
    '''进行中文分词'''
    a=' '.join(list(jieba.cut(text)))
    print(a)
    return a

if __name__ == "__main__":
    tfidf_demo()

运行结果

今天 很 残酷 ， 明天 更 残酷 ， 后天 很 美好 ， 但 绝大部分 是 死 在 明天 晚上 ， 所以 每个 人 不要 放弃 今天 。
我们 看到 的 从 很 远 星系 来 的 光是在 几百万年 之前 发出 的 ， 这样 当 我们 看到 宇宙 时 ， 我们 是 在 看 它 的 过去 。
如果 只用 一种 方式 了解 某件事 物 ， 他 就 不会 真正 了解 它 。 了解 事物 真正 含义 的 秘密 取决于 如何 将 其 与 我们 所 了解 的 事物 相 联系 。
['今天 很 残酷 ， 明天 更 残酷 ， 后天 很 美好 ， 但 绝大部分 是 死 在 明天 晚上 ， 所以 每个 人 不要 放弃 今天 。', '我们 看到 的 从 很 远 星系 来 的 光是在 几百万年 之前 发出 的 ， 这样 当 我们 看到 宇宙 时 ， 我们 是 在 看 它 的 过去 。', '如果 只用 一种 方式 了解 某件事 物 ， 他 就 不会 真正 了解 它 。 了解 事物 真正 含义 的 秘密 取决于 如何 将 其 与 我们 所 了解 的 事物 相 联系 。']
data_final:
 [[0.         0.         0.2236068  0.         0.         0.
  0.4472136  0.         0.         0.         0.         0.
  0.2236068  0.         0.         0.         0.         0.
  0.2236068  0.2236068  0.         0.4472136  0.         0.2236068
  0.         0.4472136  0.2236068  0.         0.         0.
  0.2236068  0.2236068  0.         0.         0.        ]
 [0.         0.         0.         0.2410822  0.         0.
  0.         0.2410822  0.2410822  0.2410822  0.         0.
  0.         0.         0.         0.         0.2410822  0.55004769
  0.         0.         0.         0.         0.2410822  0.
  0.         0.         0.         0.48216441 0.         0.
  0.         0.         0.         0.2410822  0.2410822 ]
 [0.16765125 0.16765125 0.         0.         0.670605   0.3353025
  0.         0.         0.         0.         0.16765125 0.16765125
  0.         0.16765125 0.16765125 0.16765125 0.         0.1275031
  0.         0.         0.16765125 0.         0.         0.
  0.16765125 0.         0.         0.         0.3353025  0.16765125
  0.         0.         0.16765125 0.         0.        ]]
特征名字：
 ['一种', '不会', '不要', '之前', '了解', '事物', '今天', '光是在', '几百万年', '发出', '取决于', '只用', '后天', '含义', '如何', '如果', '宇宙', '我们', '所以', '放弃', '方式', '明天', '星系', '晚上', '某件事', '残酷', '每个', '看到', '真正', '秘密', '绝大部分', '美好', '联系', '过去', '这样']

data_new：
 [[  0.   1.   0. 100.]
 [  1.   0.   0.  60.]
 [  0.   0.   1.  30.]]
 特征名字：
 ['city=上海', 'city=北京', 'city=深圳', 'temperature']
洛不必达
关注
  • 4
    点赞
  • 踩
  • 21
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
3天入门Python机器学习.zip
07-11
在本文中，我们将深入探讨"3天入门Python机器学习"这一主题，这是一份压缩包文件，包含了关于机器学习基础知识的教程。通过这份资源，初学者可以在短短三天内建立起对机器学习的基本理解，并掌握一些核心算法的实现...
黑马python机器学习入门笔记
08-21
《黑马Python机器学习入门笔记》是一份针对初学者编写的指南，旨在帮助读者掌握Python语言在机器学习领域的基本应用。这份笔记将带你踏入这个充满无限可能的领域，通过Python这门易学且强大的编程语言，开启你的数据...
3天快速入门python机器学习（黑马xxx）
毕竟是Shy哥
07-31 4677
人工智能的起点机器学习是人工智能的一个实现途径深度学习是机器学习的一个方法发展而来用机器来模仿人类学习以及其他方面的智能定义从数据中自动分析获得模型，并利用模型对未知数据进行预测数据、模型、预测从历史数据当中获得规律？...
黑马程序员---三天快速入门Python机器学习（第二天）
zdb
04-21 9101
文章目录三、分类算法3.1 sklearn转换器和估计器3.1.1 转换器3.1.2 估计器（sklearn机器学习算法的实现）3.2 K-近邻算法3.2.1 什么是K-近邻算法（KNN）3.2.2 K-近邻算法API3.2.3 案例1：鸢尾花种类预测3.2.4 K-近邻总结3.3 模型选择与调优3.3.1 什么是交叉验证（cross validation）3.3.2 超参数搜索---网格搜索（Grid Search）3.3.3 鸢尾花案例增加K值调优3.2.4 案例：预测facebook签到位置3.4 朴
黑马程序员---三天快速入门Python机器学习（第一天）
热门推荐
zdb
04-21 4万+
机器学习入门一、机器学习概述1.1 人工智能概述1.1.1 机器学习与人工智能、深度学习1.1.2 机器学习、深度学习能做什么1.1.3 人工智能阶段课程安排1.2 什么是机器学习1.2.1 定义1.2.2 解释1.2.3 数据集构成1.3 机器学习算法分类1.3.1 总结1.3.2 练习1.3.3 机器学习算法分类1.4 机器学习开发流程1.5 学习框架和资料介绍1.5.1 机器学习库与框架1.5.2 书籍资料1.5.3 提深内功二、特征工程2.1 数据集2.1.1 可用数据集2.1.2 sklearn数
【黑马程序员】机器学习
m0_56997192的博客
10-17 436
一、机器学习算法分类1、监督学习：（1）目标值是类别：分类问题k-近邻算法、贝叶斯分类、决策树与随机森林、逻辑回归（2）目标值是连续型的数据：回归问题线性回归、岭回归2、非监督学习：（1）没有目标值聚类 k-means二、机器学习开发流程1、获取数据2、数据处理3、特征工程4、机器学习算法训练 - 模型5、模型评估6、应用。
Python基础三天入门（第二天）
ahtohlove的博客
09-22 129
Python基础三天入门（第二天）
黑马程序员——三天快速入门python机器学习（总结篇）
m0_63273208的博客
06-25 3050
黑马程序员三天快速入门python机器学习——课堂学习笔记
黑马程序员——三天快速入门python机器学习（六）
m0_63273208的博客
06-25 1649
黑马程序员三天快速入门python机器学习——课堂笔记
人工智能实战——从Python入门到机器学习资料大全.zip
06-04
包含：Python 基础教程、10个编程技巧、Python高级编程、优化算法、实例学习Numpy与Matplotlib、实例学习pandas、机器学习、深度学习、梯度下降、实验等等等等人工智能实战——从Python入门到机器学习资料大全。...
B站黑马程序员Python教程学习笔记.zip
02-21
【Python编程语言基础】 Python是一种高级、通用的编程语言，以其简洁、易...通过黑马程序员的Python教程，你将逐步建立起扎实的Python编程基础，并能应对各种实际问题，为进一步深入学习和应用Python打下坚实的基础。
人工智能实践教程-从Python入门到机器学习邵一川-教学大纲-8页.doc
06-13
《人工智能实践教程——从Python入门到机器学习》是一门针对通信工程、计算机、大数据、人工智能相关专业设计的专业基础课程，旨在让学生掌握Python编程基础知识，并具备独立开发Python简单项目的能力。课程涵盖...
机器学习-day1
bwcx_51的博客
09-23 273
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar
黑马程序员机器学习Day2学习笔记
文鸿开源工作室
01-02 626
一.转换器和预估器二. KNN算法网格搜索和交叉验证KNN案例：Facebook预测签到位置朴素贝叶斯联合概率、条件概率与相互独立决策树信息熵 回顾传统机器学习算法流程： 1.获取数据2.数据处理3.特征工程4.机器学习算法训练5.模型评估 总结本章内容： 1.KNN算法用于小型数据集的分类 2.朴素贝叶斯用于特征于特征之间关系不强的算法，比如文本的分类 3.决策树算法用于大型的数据集中 一.转换器和预估器 Day1的时候我们学习了获取数据，特征工程。（Day1中我们并没有没有使用到数据处理，因为.
机器学习入门笔记 人工智能 黑马程序员
ZhuanShangNiDeXin的博客
02-28 717
机器学习入门笔记 前言 这个是根据“黑马程序员”的一套机器学习课程编写的博客。这篇博客上的案例均为课程里面的，但并没有包含所有案例，只是记录了部分个人认为比较重要的部分。 B站视频地址 文章目录机器学习入门笔记前言特征工程Tf-idf文本特征提取Tf-idf介绍Tf-idf的重要性无量纲化处理---标准化为什么我们要进行标准化？定义API标准化总结PCA降维什么是主成分分析(PCA)API分类算法数据集划分定义APIK-近邻算法K-近邻算法定义距离公式API模型选择与调优API朴素贝叶斯算法API决策树A
黑马程序员机器学习Day1学习笔记
文鸿开源工作室
12-18 1089
1.数据集的介绍字典特征抽取文本特征提取1.根据词频2.根据词的重要性特征预处理1.归一化标准化特征降维Filter过滤式：低方差过滤法PCA降维 机器学习第一天 基础不牢，地动山摇。直接上手tf，连很多机器学习的基础包都不会使用。比如sklearn, pandas （使用sklearn 来做特征工程 ， pandas 用于数据的清洗和数据的处理）这些数据处理库，因此回去回炉重造，学习机器学习先。 学习的视频是黑马程序员的机器学习视频。 视频和资料链接 提取码：1234 本篇文章内容： 开发流程
黑马机器学习之第一天
xiaotian127的博客
02-03 1657
  一、机器学习简介 （一）简单介绍 1、“人工智能之父”——图灵 图灵测试（1950） 2、马文·李·闵斯基：把人工智能推向了全世界； 3、人工智能（1950—）------》机器学习（80年代）------》深度学习（2010年以后） 深度学习：图像识别、自然语言处理（可以用程序写一篇报导）、预测（如信贷需求预测、店铺销量预测）、传统预测 影响人工智能的两个因素：①硬件；②数据；③算法（☆...
黑马程序员--数据集
yangnan0321的专栏
11-26 494
---------------------- http://net.itheima.com/" target="blank">Windows Phone 7手机开发、http://net.itheima.com/" target="blank">.Net培训、期待与您交流！ ---------------------- 程序操作小数据量数据库表的时候，不必一直与数据库保持着连接，可以一次性的把数
释放计算潜力：SKlearn模型并行训练指南
最新发布
2401_85760095的博客
07-08 693
然而，通过一些技巧和工具，我们仍然可以在sklearn中实现模型的并行训练。本文详细介绍了使用sklearn进行模型并行训练的方法，并提供了实际的代码示例。随着数据量的不断增长和计算资源的日益丰富，掌握并行训练技能将成为数据科学家和机器学习工程师的重要竞争力。虽然sklearn本身并不直接支持并行训练，但通过Joblib、Dask和Spark等工具，我们可以实现sklearn模型的并行训练。Joblib是一个用于提供轻量级并行化的Python库，它可以用来并行化sklearn中的一些算法。
人工智能实践教程——从python入门到机器学习电子书
07-31
《人工智能实践教程——从Python入门到机器学习》是一本非常有价值的电子书。该书从Python编程语言入门开始，逐步引导读者了解人工智能的相关概念和知识，并介绍了如何使用Python进行人工智能的实践。 在这本电子书中，作者通过简明的语言和实例来解释Python的基本语法和常用库，帮助读者快速上手Python编程。然后，逐步介绍了人工智能的基础知识，如神经网络、深度学习和机器学习等。读者可以通过书中的实践项目，学习如何使用Python进行数据处理、特征提取、模型训练和结果评估等。 特别值得一提的是，该书在讲解算法和模型原理的同时，也加入了大量的实践示例和代码。读者可以通过实践项目，亲自动手实现和调试，加深对人工智能算法和技术的理解和掌握。 这本电子书的优点在于： 1. 清晰明了的语言和实例，易于理解和掌握。 2. 结合理论和实践，帮助读者建立起算法和模型的直观认知。 3. 丰富的实践项目和代码示例，帮助读者真正学会如何运用Python进行人工智能实践。 4. 概念讲解详尽，适合初学者学习，也可作为已有基础的读者进行实践项目的参考。 总之，这本电子书是一本很实用的教程，对于想要学习人工智能并具备一定Python编程基础的读者来说，是一本值得推荐的指导书。读者可以通过该书学习到从Python入门到机器学习的全过程，并获得实际应用的能力。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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

打赏作者

洛不必达

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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