scikit-learn 一般性原理和通用规则

最新推荐文章于 2024-06-25 18:15:19 发布
最新推荐文章于 2024-06-25 18:15:19 发布
阅读量260 收藏
点赞数 1
分类专栏： sklearn机器学习笔记 文章标签： sklearn 算法 机器学习
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/qq_51167531/article/details/120732789
版权

在scikit-learn包含大部分流行的有监督学习算法（分类回归）和无监督学习算法（聚类和数据降维）的实现

目录

1.评估模型对象

2.模型接口

fit()接口

predict()接口

predict_proba（）的接口

scroe ()接口

3.模型检验

4.模型选择

1.评估模型对象

scikit- eam 里的所有算法都以一个评估模型对象来对外提供接口。

在机器学习应用开发的典型步骤中，使用支持向量机来训练模型

# 使用支持向量机来训练模型
from sklearn import svm
clf = svm.SVC(gamma=0.001, C=100., probability=True)

在此处svm.SVC（）函数返回的就是一个支持向量机评估模型对象。

在创建模型评估时，会对参数进行设置，这里的参数的数值可以指定不同的数值，这个称为评估对象参数

评估模型参数直接影响了评估模型训练时的效率以及准确性

注意：在学习机器学习算法的原理时，其中有一件最重要的事就是：了解不同的机器学习算法有哪些可调的参数

2.模型接口

fit()接口

scikit-learn 所有的评估模型对象都有 fit（）这个接口，这是用来 练模型的接口。

训练模型

对于有监督的机器学习：使用fit(X,y)来进行训练，其中y为标记数据

对于无监督的机器学习：使用fit(X)来进行训练，因为为无监督学习，所以没有标记数据

predict()接口

有监督学习：经过训练出来的模型，可以用这个接口来进行预测。

无监督学习：它是用来对数据进行聚类分析，即把新数据归入某个聚类里。

predict_proba（）的接口

属于有监督学习，在无监督学习中没有，主要作用为:用来输出一个待预测的数据属于各种的可能性

和上面predict()接口的区别为：一个返回可能性的最大值，一个返回所有的可能性的值

scroe ()接口

几乎所有的模型都提供了此接口

作用为：评价一个模型的好坏，得分越高说明此模型越好（当然并不是所有的问题都只有准确度这个评价标准

3.模型检验

对于模型检验，即为机器学习一个重要的部分，这部分主要是对于我们训练出来的模型进行模型检测

检测方法：利用一些“陌生”的数据，用此模型进行预测，将预测出来的结果与实际对比，预测出的准确性决定了模型的好坏

4.模型选择

模型的选择对于一个机器学习的应用开发来说是最重要的，选择一个正确的模型进行训练就说明你已经完成了一半，另一半为进行模型调参（个人觉得）。对于模型选择，根据要处理的问题性质，数据是否经过标记？数据规模多大？等等这些问题，可以对模型有个初步的选择，最后根据对多个模型进行训练，最后得出模型预测最好的一个即为最合适的模型。

参考书籍：《scikit-learn机器学习：常用算法原理及编程实战》

寂ღ᭄秋࿐
关注
专栏目录
scikit-learn 线性回归 原理与使用
零境交错
10-19 592
一、 普通线性回归 数学依据：最小二乘法 （y - w*x）^2 y^2 - 2*w*x*y + x^2*w^2 -2xy + 2x^2*w = 0 -y + wx = 0 xw = y xTxw = xTy # 两边乘以xT 转置矩阵 w = (xTx)^-1(xTy) # 平方和最小的情况：w在求导时为0 Attibutes coef_ : 变量中的系数。sh...
Scikit-Learn逻辑回归(一)
Java/Python大数据成长之路
02-26 1536
逻辑回归（Logistic Regression）主要解决二分类问题，用来表示某个事件发生的可能性。逻辑回归在机器学习知识结构中的位置如下：逻辑回归的思想最早可以追溯到19世纪，由英国统计学家Francis Galton在研究豌豆遗传问题时首次提出。然而，真正将逻辑回归应用于机器学习的是加拿大统计学家Hugh Everett，他在1970年代提出了广义线性模型（GLM），其中包括逻辑回归逻辑回归这个算法的名称有一定的误导性。虽然它的名称中有“回归”，当它在机器学习中不是回归算法，而是分类算法。
scikit-learn机器学习常用算法原理及编程实战（三）
az4599459的博客
04-16 266
机器学习理论基础 包括算法模型性能评估的指标和评估方法 模型过拟合和欠拟合 模型的成本及成本函数的含义 评价一个模型好坏的标准 学习曲线，以及用学习曲线来对模型进行诊断 通用的模型优化方法 其他模型评价标准 过拟合和欠拟合 过拟合(高方差)是指模型能很好地拟合训练样本，但对新数据的预测准确性很差。 欠拟合(高偏差)是指模型不能很好地拟合训练样本，且对新数据的预测准确性也不好 。 代码实...
Scikit-learn：原理与使用指南
最新发布
Aaron_945的博客
06-25 1031
Scikit-learn 是一个功能强大、易于使用的机器学习库。通过遵循一致性 API 和提供模块化、可扩展的接口，它使得机器学习变得更加简单和高效。无论是初学者还是经验丰富的数据科学家，都可以通过 Scikit-learn 来实现自己的机器学习项目。
scikit-learn
taotaobaobei的博客
12-24 1511
scikit-learn 是一个开源项目， 可以免费使用和分发， 任何人都可以 轻松获取其源代码来查看其背后的原理。 scikit-learn 项目正在不断 地开发和改进中， 它的用户社区非常活跃。 它包含许多目前最先进的机 器学习算法， 每个算法都有详细的文档（ http://scikitlearn.org/stable/documentation ） 。 scikit-learn 是一个非常流...
scikit-learn初步学习
IWBE的专栏
11-22 1040
这段时间看了各种分类器的原理，然后感觉 scikit-learn这个库还是挺好用的，下面有决策树，逻辑回归，高斯贝叶斯，K近邻，用于分类的支持向量机。 #coding=utf-8 import numpy as np import urllib from sklearn import preprocessing from sklearn.ensemble import Extr...
Machine-Learning-by-scikit-learn-Algorithms-and-Practices:scikit-learn机器学习常用算法原理及编程实战黄永昌编着
05-17
第2章Python机器学习软件包，介绍了scikit-learn开发环境的搭建步骤，以及IPython、Numpy、Pandas和Matplotlib等软件包的基础知识，并通过一个scikit-learn机器学习实例介绍了scikit-learn的一般性原理和通用规则。...
跟我一起学scikit-learn07：scikit-learn简介
u011436316的博客
06-02 768
scikit-learn是一个开源的Python语言机器学习工具包。它涵盖了几乎所有主流机器学习算法的实现，并且提供了一致的调用接口。它基于Numpy和SciPy等Python数值计算库，提供了高效的算法实现。
《机器学习实战：基于Scikit-Learn、Keras和TensorFlow第2版》-学习笔记（4）：训练模型
Morganfs的博客
04-16 1601
第四章 训练模型 · Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition, by Aurélien Géron (O’Reilly). Copyright 2019 Aurélien Géron, 978-1-492-03264-9. · 环境：Anaconda（Python 3.8） + Pycharm · 学习时间：2022.04.16~2022.04.？ 到目前为止，我们已经探讨了不同机器学
scikit-learn笔记5 SKLearn模型选择与评估 超参数优化方法
weixin_44632711的博客
10-29 1234
超参数优化方法 1.什么是超参数(hyper-parameters)? 2.网格搜索穷举式超参数优化方法 3.随机采样式超参数优化方法 4.超参数空间的搜索技巧 5.暴力参数搜索方法的替代办法 什么是超参数(hyper-parameters)? 学习器模型中一般有两类参数:一类参数可以从数据中学习估计得到，还有一类参数无法从数据中估计，只能靠人的经验进行设计指定。后一类参数就叫超参数。 比如，支持向量机里的C，Kernel，gama，朴素贝叶斯里的alpha 在学习器模型的设计中，我们要搜索超参数空.
机器学习库：Scikitlearn的基础和应用
AI天才研究院
01-23 3809
1.背景介绍 1. 背景介绍 Scikit-learn是一个开源的Python库，用于进行数据挖掘和机器学习。它提供了许多常用的机器学习算法，包括回归、分类、聚类、主成分分析等。Scikit-learn的设计目标是简单易用，使得数据科学家和机器学习工程师可以快速地构建和部署机器学习模型。 Scikit-learn的核心设计思想是基于NumPy和SciPy库，并且通过简单的函数接口和强大的文档...
scikit-learn模型理解
我的博客
03-06 421
1.线性回归模型(本质上是利用普通最小二乘法):                数学表达式:                                            from sklearn import liner_model clf = liner_model.LinearRegression() clf.fit([[0,0],[1,1],[2,2]],[0,1,2]) prin...
scikit-learn机器学习常用算法原理及编程实战（一）
az4599459的博客
04-04 700
机器学习介绍 机器学习的概念 机器学习要解决的问题分类 使用机器学习解决问题的一般性步骤 什么是机器学习 机器学习是一个计算机程序，针对某个特定的任务 ，从经验中学习，并且越做越好。 谁掌握的数据量大 、质量高，谁就占据了机器学习和人工智能领域最有利的资本。 机器学习有什么用 语音识别、自然语言处理、人脸识别系统等等 机器学习的分类 有监督学习(Supervised learnin...
【sklearn】利用scikit-learn训练经典分类模型（算法原理与实现）
TiffanyRabbit的博客
07-21 1万+
本文意图将机器学习中常用的分类器进行总结，从原理到sklearn实现进行统一梳理，宝宝们把本文作为入门读物也好，复习提纲也好，各取所需就好。
scikit-learn机器学习常用算法原理及编程实战
奇点Peter
05-01 827
k
机器学习逻辑回归模型总结——从原理到sklearn实践
热门推荐
Exploit的小站~
11-05 2万+
0x00 基本原理逻辑回归算法，从名字上看似乎是个回归问题，但实际上逻辑回归是个典型的分类算法。 对于分类问题，一般都是一些离散变量，且y的取值如下： y∈{0,1,2,3,...,n}y \in \{0, 1, 2, 3, ..., n\}，显然不能使用线性回归拟合。 以二元分类问题开始讨论，y的取值为“类别1，类别2”，为了表示清楚，这里使用0和1来表示二元分类中的两个类别，即y的取值为：
scikit-learn主要模块和基本使用
lengxiaomo123的博客
03-31 1872
scikit-learn是一个基于NumPy，SciPy，Matplotlib的开源学习工具包。 scikit-learn主要解决步骤： 数据准备与预处理模型选择与训练模型验证与参数调优 逻辑回归模型实例 scikit-learn支持多种格式的数据，包括经典的iris数据，LibSVM格式数据等等。 from sklearn.datasets import
scikit-learn机器学习常用算法原理及编程实战（二）
az4599459的博客
04-08 470
Python机器学习软件包 开发环境搭建 安装开发环境Anaconda or 安装python后执行 pip install jupyter numpy mayplotlib scipy scikit-learn seaborn IPython简介 与Shell紧密关联，可以在IPython环境下直接执行Shell指令。 可以直接绘图操作的Web GUI环境，在机器学习领域、探索数据模...
sklearn基础及数据处理
Jmayday
06-17 1031
sklearn 库整合了多种机器学习算法，可在数据分析过程快速建立模型。通过 pandas 库虽然已经提供数据合并、清洗、标准化（离差标准化、标准差标准化、小数定标标准化），为构建机器学习模型对数据特征还需处理更多预处操作，因此 sklearn 将相关预处理功能封装为统一接口 --- 转换器（ Transformer ）。使用 sklearn 转换器能够实现对传入的 NumPy 数组进行标准化处理、二值化、 PCA 将为等操作。 说到转换数据，实际上 padas 库也有提供了哑变量处理类别数...
使用Neo4j和Scikit-Learn进行图数据机器学习
本文将探讨如何使用图数据库Neo4J和机器学习库Scikit-Learn进行机器学习任务，特别是利用图数据的特性来增强模型的性能和解释性。随着图神经网络（GNN）的兴起，图数据在机器学习中的应用越来越受到重视，各大深度...
评论
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
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