win10如何进行scikit-learn模型训练+scikit-learn安装教程

sklearn安装教程

方法一:下载官方.whl包

sklearn是基于NumPy、SciPy和matplotlib搭建而成的,因此在安装scikit-learn之前是要先安装这几个库的。官方的下载地址链接如下。点击下载

安装顺序如下:(一定要按照这个顺序下载,否则有可能报错。)

  • NumPy+mkl库
  • scipy库
  • matplotlib库
  • sklearn库

踩坑1:一定要下载和本地python版本相符的whl包,否则安装必报错(别问我为什么知道的,说多了都是泪啊)。

对了,因为这个是官方给出的下载链接,因此下载速度真的是慢的一批,所以如果各位小伙伴有条件的话,一定别忘了搭个梯子。

踩坑2:之前看别的教程,里面大多都是让下载numpy库,但是没有详细说明到底是哪个,我们可以看到下图,里面有numpy+mklnumpy+vanilla两种,一定一定,切记要下载mkl的那个,不要因为vanilla小就贪图便宜(不说了,我再去哭一会)。
在这里插入图片描述
容易出错的地方都差不多过去了,剩下的就相对来说简单一些了,下载scipy库,也是要注意下载相应python版本的scipy

在这里插入图片描述

其实我们可以看出来,这里写道,install numpy+mkl before installing scipy,也就是说,如果想要正常安装scipy库,必须有numpy+mkl库,所以大家一定要仔细阅读。

接下来是matplotlib
在这里插入图片描述
再然后可以下载pandas来帮助我们读取文件和作数据分析。
在这里插入图片描述
下面就是激动人心的scikit-learn下载了
在这里插入图片描述
require numpy+mkl(这波什么开,这波裂开)

开个玩笑,不过基本上小伙伴们可以避开上面几个坑,基本上还是比较顺利的。

接下来,找到下载的文件的路径,打开windows的DOS命令行窗口,执行如下命令:

pip install D:\python\numpy-1.19.5+mkl-cp38-cp38-win_amd64.whl(文件路径)
pip install D:\python\scipy-1.6.1-cp38-cp38-win_amd64.whl(文件路径)
pip install D:\python\matplotlib-3.3.4-cp38-cp38-win_amd64.whl(文件路径)
pip install D:\python\pandas-1.2.2-cp38-cp38-win_amd64.whl(文件路径)
pip install D:\python\scikit_learn-0.24.1-cp38-cp38-win_amd64.whl(文件路径)

依次执行上述命令,全部安装完成后,就可以尝试一下了。

引入一下所安装的库,全都没有报错,大功告成。
在这里插入图片描述

sklearn实战尝试
manifold learning algorithm(流式学习算法)

流式学习算法是一种降维算法,分为线性降维和非线性降维,大家有感兴趣的欢迎参考我的另一篇博客manifold learning algorithm

这里我们直接展示代码

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
from sklearn import manifold, datasets
from sklearn.utils import check_random_state

n_samples = 500 #样本个数
random_state = check_random_state(0)
p = random_state.rand(n_samples) * (2 * np.pi - 0.85)	#所展示的图像的聚合程度
t = random_state.rand(n_samples) * np.pi

indices = ((t < (np.pi - (np.pi / 6))) & (t > ((np.pi / 6))))   #由于流式学习不可以对闭合的图形进行降维,因此我们需要将图像展开一个缺口,这一句控制的是展开口子的大小
colors = p[indices]
x, y, z = np.sin(t[indices]) * np.cos(p[indices]), \
    np.sin(t[indices]) * np.sin(p[indices]), \
    np.cos(t[indices])

fig = plt.figure()
ax = Axes3D(fig, elev=30, azim=-20) #三维图像展示
ax.scatter(x, y, z, c=p[indices], marker='o', cmap=plt.cm.rainbow)
plt.show()

紧接着我们得到如下图像:

在这里插入图片描述

我们使用LLE进行降维

train_data = np.array([x, y, z]).T
trans_data = manifold.LocallyLinearEmbedding(n_neighbors =20, n_components = 2,method='standard').fit_transform(train_data)
plt.scatter(trans_data[:, 0], trans_data[:, 1], marker='o', c=colors)
plt.show()

在这里插入图片描述

大功告成。

  • 4
    点赞
  • 21
    收藏
    觉得还不错? 一键收藏
  • 3
    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 3
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