机器学习案例实战（1）使用python分析科比数据

最新推荐文章于 2023-10-12 01:40:28 发布

weixin_40922555

最新推荐文章于 2023-10-12 01:40:28 发布

阅读量1k

点赞数

分类专栏： python 学习文章标签： python实例

本文链接：https://blog.csdn.net/weixin_40922555/article/details/89603664

版权

本文通过Python的numpy、pandas和matplotlib库分析科比的篮球数据，涉及到逻辑回归、SVM、RandomForest等机器学习算法。使用pandas进行数据预处理，包括unique和value_counts函数来统计特征分布，drop函数去除无关特征，并利用one-hot encoding将分类特征转化为数值型。在训练过程中遇到未知错误，待解决。

摘要由CSDN通过智能技术生成

一、用到的库
numpy
pandas
matplotlib
以上是最基本的一些回归问题，SVM,RandomForest等一些算法【逻辑回归】sklearn 主要用于深度学习，涉及神经网络（后边手写体识别会讲到）

unique
pandas最基本的操作，用来列出每一个标签下（不同列）的所有取值不同的投篮方式等。
这跟昨天跟老师处理表格问题相似，把excel中不同老师带了多少学生列出来，也是先把不同老师名字列出来，一样的道理。
print（kobe.action_type.unique()）
print(kobe.shot_type.unique())
value_counts统计了科比三分出手次数两分出手次数
打印出出手次数的统计。

drop
drop掉一些不用的特征
one hot encoding
某一列有三种属性值，比如string值A\B\C，机器是不认识的，只认识int或者float型。
For Example：
A 第一个样本是A，第二个样本是B，第三个样本是C A B C
B 1 0 0
C 0 1 0
B 0 0 1
A
只有出现属性的位置是1 其他位置是0.通过这个one-hot enconding 把string值转换成了int值。

在训练和测试这一个cell出错，不知道什么原因，先记录下来