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+mkl和numpy+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）。

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

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

再然后可以下载pandas来帮助我们读取文件和作数据分析。

下面就是激动人心的scikit-learn下载了

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。

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：

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()

大功告成。