本文介绍了sklearn库在数据挖掘中的应用，包括导入各种模型如线性回归、逻辑回归和决策树，使用train_test_split进行数据划分，通过mean_absolute_error和accuracy_score评估模型性能，以及进行数据的归一化处理。还提到了多项式回归和如何生成决策树的图形。总结了sklearn的基本使用流程。
1、导入模型
from sklearn.linear_model import LinearRegression
from sklearn.linear_model import LogisticRegression
from sklearn.linear_model import Ridge
from sklearn.linear_model import Lasso
from sklearn.linear_model import SGDRegressor（随机梯度下降回归，可以加正则项）
from sklearn.tree import DecisionTreeClassifier(分类树)
集成学习库
from sklearn.ensamble import RandomForestClassifier（随机森林）
from sklearn.ensamble improt AdaBoostClassifier(Adaboost集成学习)
2、模型选择
from sklearn.model_selection import train_test_split
x_train,x_test,y_train,y_test = train_test_split(x,y,test_size=0.3,random_state=5)
3、模型评估（metrics：衡量指标）
from sklearn.metrics import mean_absolute_error（mse）
from sklearn.metrcs import accuracy_score(预测正确的样本数占总样本比例)
4、归一化
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler().fit(x_train)
最低0.47元/天 解锁文章
673
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
