sklearn常规入门简单教程

本篇文章对sklearn的常规基础用法做一些简单的介绍,并没有对各个机器学习算法用sklearn进行实现。

1.sklearn简介

Scikit-learn(sklearn)是机器学习中常用的第三方模块,对常用的机器学习方法进行了封装,包括回归(Regression),降维(Dimensionality Reduction),分类(Classfication),聚类(Clustering)方法。

特点:
简单高效的数据挖掘环境中和数据分析工具;
建立Numpy,Scipy,Matplolib之上
安装命令: pip install scikit-learn

2.sklearn常规使用模式

(1)导包
(2)加载数据
(3)数据预处理
(4)选择算法训练数据
(5)测试数据
(6)预测结果写入.csv中

3.数据标准化

概念: 标准化,先对数据进行去中心化,再除以特征的标准差,对数据进行缩放
实现方法: 数据标准化通过sklearn中preprocessing.scale()方法实现

from sklearn import preprocessing   #导入包
import numpy as np
a = np.array([[10,2.7,3.6],
              [-100,5,-2],
              [120,20,40]], dtype=np.float64)
print("row data:",a)  #未标准化的数据
print("process data:",preprocessing.scale(a))    #标准化后的数据

结果:

row data: [[  10.     2.7    3.6]
 [-100.     5.    -2. ]
 [ 120.    20.    40. ]]
process data: [[ 0.         -0.85170713 -0.55138018]
 [-1.22474487 -0.55187146 -0.852133  ]
 [ 1.22474487  1.40357859  1.40351318]]

4.交叉验证

在这里插入图片描述在这里插入图片描述

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import cross_val_score  #导入交叉验证


#加载数据
iris = load_iris()
X = iris.data
y = iris.target

#训练数据
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.3)

knn = KNeighborsClassifier(n_neighbors=5)   #选择邻近的5个点
scores = cross_val_score(knn,X,y,cv=5,scoring='accuracy')  #5折交叉验证 ,评分方式为accuracy(精准度)
print(scores)   #每组评分结果

print(scores.mean())  #平均评分结果

5.过拟合

在这里插入图片描述

6.保存模型

在这里插入图片描述

7.小结

在这里插入图片描述

  • 0
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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