sklearn matlab,机器学习-Sklearn

一下子看完这个网址不用跳跳跳点点点系列

通常来说, 机器学习的方法包括:

监督学习 supervised learning;

非监督学习 unsupervised learning;

半监督学习 semi-supervised learning;

那我们为什么要选择Sklearn呢？

Scikit learn 也简称 sklearn, 是机器学习领域当中最知名的 python 模块之一.

Sklearn 包含了很多种机器学习的方式:

Classification 分类

Regression 回归

Clustering 非监督分类

Dimensionality reduction 数据降维

Model Selection 模型选择

Preprocessing 数据预处理

安装Sklearn吧

最简单的方法就是使用pip

打开命令窗口输入：pip3 install-Uscikit-learn

注：我电脑为win64，已安装python3、numpy等。

在兴奋的码代码之前，首先要选择你需要的算法！

算法分为分类，回归，聚类，降维四类。

监督——分类和回归

非监督——聚类

除此之外，还需要考虑数据集的大小。例如当数据量<50时，就需要增加数据量。

首先尝试一下分类器的使用！KNN classifier！

目的：根据花的属性将花分类。

基本思路：选择几个临近点，综合它们做个平均来作为预测值。

好像跟matlab有异曲同工之妙。。。

接下来我们来看看Sklearn强大的数据库 data sets。

好像跟前面差不多~~

当然我们也可以自己生成虚拟数据：

高级使用

数据标准化

在进行数据标准化之前，我们首先要搞清楚什么是数据标准化？为什么要进行数据标准化？由于参加过数学建模比赛的同学应该知道，没参加过的请自行百度。总之不要看了别人跟你展示正确率提高了之后，将“提升准确率”作为说服你进行数据标准化的理由。

检验神经网络

我们如何检验一个网络的正确率从而改进网络呢？

第一种方法：之前提到的“训练组与测试组”。

就像考试结束我们来对照正确答案给个分数~

第二种方法：误差曲线。

说白了就是误差的可视化。跌宕起伏的曲线肯定不好。

误差曲线的反面是准确度曲线，其实就是跟误差曲线互补。

第三种方法：正规化——解决Overfitting问题。

第四种方法：交叉验证——确定哪样的参数能够更有效的解决现有的问题

后面的就不写了，交叉验证什么的，只起到了了解的作用。

后记：下次一定用markdown