机器学习调包侠:6行代码实现分类器

先做一个简短的说明

同样是一个学习笔记系列,只是记录一些个人学习过程中觉得值得记录一下的东西,不会做特别详细的说明。另外,看系列名字就知道,本系列只介绍现有的框架的用法,不涉及具体算法,并不适合想深入学习的同学,如果你只是想用别人写好的算法框架来实现一些有意思的想法,那么不妨来试试看。

环境搭建

本例主要使用scikit-learn,官网戳这里,中文文档戳这里,具体安装步骤这里就不废话了,文档上都有。

本篇对应教程

油管原版B站搬运

分类器(Classifier)

现在,可以认为分类器就是一个函数,它接受一些数据作为输入,然后给这些数据打上标签作为输出,自动编写分类器的技术被成为监督式学习(supervised learning)。

监督式学习

要使用监督式学习,我们需要遵循一些标准步骤:
第一步是收集训练数据,这些是我们要解决问题的示例。对于每个示例来说,我们都有一个可以描述他们的测量方法(比如水果分类当中某个水果的颜色、外形等信息),在机器学习领域,这种测量方法被称为特征。描述每个种类的信息被成为标签,也就是分类的结果集。好的特征可以使得分类变得简单,能够用于训练的数据越多,能创建的分类器就更好。用程序来编写训练数据就是这样

features = [[140, 表面光滑], [130, 表面光滑], [150, 表面粗糙], [170, 表面粗糙]]
labels = [苹果, 苹果, 橘子, 橘子]

上面代码中,定义了两个变量——特征和标签,可以认为特征是分类器的输入,标签是分类器的输出。在本例中,我们用重量和表面光滑度来这两个特征来区分苹果和橘子,并且使用了4组数据,重量为140克表面光滑的是苹果,重量为130克表面光滑的也是苹果,重量150克表面粗糙的是橘子,重量为170表面粗糙的也是橘子。
第二步是训练数据,我们即将用到的一种分类器被称作决策树(decision tree),这里不做详细的介绍,只需要知道分类器就是一堆规则的组合即可,说白了就是用这个算法就能分类了
第三步是使用分类器,就是输入一个新示例的特征,看分类器输出的标签是什么

代码

# 引入决策树算法
from sklearn import tree

# 准备训练数据
features = [[140, 1], [130, 1], [150, 0], [170, 0]]
labels = [0, 0, 1, 1]

# 创建一个分类器,它现在还是没有任何规则的空盒子
clf = tree.DecisionTreeClassifier()

# 用学习算法去训练分类器,可以认为学习算法就是创建规则的过程
# 它通过在给定的训练数据中找到规律来生成规则
# 在sklearn中,分类器对象中的训练算法被成为fit,可以认为fit就是在数据中找到规律
clf = clf.fit(features, labels)

# 输入一个新例子的特征数据,看分类器将它识别成了什么
print(clf.predict([[150, 0]]))
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

木千

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
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