Python3入门机器学习经典算法与应用

Python 是一种非常流行和强大的解释性编程语言。不像 R 语言，Python 是个很完整的语言和平台，你既可以用来做研发，也可以用来开发产品体系。

而且，Python 还有很多模块和程序库供我们选择，从而针对一个任务能有很多个解决方案。怎么样，听起来还是很厉害的吧？

如果用 Python 执行机器学习，刚开始时最好方式就是先完成一个小项目，为什么这么说呢？

因为这会让你先懂得如何安装和启动 Python 解释器（这是最起码的要求吧）。
因为这会让你从总体上知道怎样一步步完成一个项目。
因为这会增加你的信心，或许能让你开始创建自己的小项目。

新手很需要一个完整的小项目练手

教材书还有课程这些东西还是比较烦人的，虽然给你讲解的很细，讲的也很多，但都太零碎，你单靠这些很难领会这些知识点如何综合运用到一起。

将机器学习运用到自己的数据集上时，就算是开始一个项目了。

一个机器学习项目可能并不是直线式的，但是很多步骤都是耳熟能详：

定义问题。
准备数据。
评估算法。
优化结果。
呈现结果。

真正掌握一个新平台新工具的最好方法，就是用它一步步完成一个完整的机器学习项目，并涉及所有的重要步骤，也就是从导入数据，总结数据，评估算法到做出预测等。

这么一套流程操作下来，你大概就能明白其中的套路了。

机器学习的 Hello World

先开始拿来练手的一个最好的小项目就是分类鸢尾花（数据集链接），这项目很适合新手，因为非常简单易懂。

因为属性都是数值，所以你要知道这么去导入和处理数据。

该项目是个分类问题，能让你练习操作一种相对简单的监督式学习算法。

同时它也是个多类分类问题，因此可能需要一些特殊的处理方法。

它只有 4 个属性和 150 个示例，意味着数据集很小，不会占太多内存。

所有数值属性都有相同的单位和大小，在使用前无需进行特别的缩放和转换。

下面我们就开始学习如何用 Python 执行机器学习中的 Hello World。

用 Python 进行机器学习：手把手教程

在这部分，我们会完成一个完整的机器学习小项目，下面是主要步骤：

安装 Python 和 SciPy 平台。
导入数据集。
总结数据集。
可视化数据集。
评估算法。
做出预测。

可以自己试着敲命令行代码，要想加快速度，也可以复制粘贴我的代码。

1.下载、安装和启动 Python SciPy

如果你电脑上没安装，先安装 Python 和 SciPy 平台。

这部分不再细说，因为网上有很多教程。

1.1 安装 SciPy 程序库

本文所用 Python 版本为 2.7 或 3.5 。

scipy
numpy
matplotlib
pandas
Sklearn

安装上面这些程序库有很多种方法，建议选择选择一种方法，然后安装这些程序库都用这种方法。

SciPy 安装页面上提供了在多种系统安装上文程序库的详细方法：

在 Mac OS 上，你可以用 macports 安装 Python2.7 和这些程序库，更多信息点击这里
在 Linux 上，可以用你的软件包管理器，就跟在 Fedora 上安装 RPM 一样。
如果你是 Windows 系统，建议安装免费版的 Anaconda。

注意：上面这些方法的基础是你的电脑上已经安装了 0.18 或更高版本的 scikit-learn。

1.2启动 Python，检查程序版本

这一步很重要，一定要确保你成功安装了 Python 环境，可以正常运行。

下面的脚本可以帮你测试你的 Python 环境，它会导入本教程所需的每个程序库，并导