（2）机器学习的实际应用

最新推荐文章于 2024-02-19 15:41:45 发布
最新推荐文章于 2024-02-19 15:41:45 发布
阅读量609 收藏 3
点赞数
分类专栏： Python机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_45014721/article/details/107997690
版权

本节内容如有看不懂的地方，请参考用pandas玩转数据(1) 和用pandas玩转数据(2) 和（1-4）Matplotlib的实际应用
本节内容的部分思想已经分解为用pandas玩转数据(2)

1.企业欺诈识别

（本节内容的数据见电脑F:/python数据/audit_risk 或腾讯微云文件”python数据\audit_risk “）
在这里插入图片描述
最后一列是预测列，预测是否存在风险；前面的列是特征列。
我们要把特征列和预测列单独分开。

第一步先阅读数据
在这里插入图片描述
第二步：数据预处理
我们要把非数值型数据处理为数值型
第三步：模型划分（把数据划分为特征列和预测列，最后一列是预测列，预测是否存在风险；前面的列是特征列。）

import  pandas as pd

frame=pd.read_csv('F:/python数据/audit_risk.csv',header=0)
y=frame[frame.columns[len(frame.columns)-1]] #Risk是预测列，我们要单独提出来
#frame.columns[len(frame.columns)-1]得到的就是最后一列的列名称“Risk”
frame.drop(frame.columns[len(frame.columns)-1],axis=1,inplace=True) #Risk是预测列，我们要删除预测列“Risk”
X=frame
print(X)

'''我们之所以没有用frame['Risk']直接定位最后一列，是因为我们有时候见到的数据是没有列名的'''

在这里插入图片描述
第四步:数据训练

import  pandas as pd
from sklearn.model_selection import train_test_split

frame=pd.read_csv('F:/python数据/audit_risk.csv',header=0)
#frame.columns[len(frame.columns)-1]就是"Risk"
y=frame[frame.columns[len(frame.columns)-1]] #Risk是预测列，我们要单独提出来
frame.drop(frame.columns[len(frame.columns)-1],axis=1,inplace=True) #Risk是预测列，我们要删除预测列“Risk”
X=frame

X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.1) 
#依次是特征训练集，特征测试集，预测训练集，预测测试机
#test_size=0.1就是说训练集和测试集比例为9：1

第五步：效果评估

import  pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier #使用最近邻模型
import numpy as np

frame=pd.read_csv('F:/python数据/audit_risk.csv',header=0)
y=frame[frame.columns[len(frame.columns)-1]] 
frame.drop(frame.columns[len(frame.columns)-1],axis=1,inplace=True) 
X=frame

X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.1) 

estimator=KNeighborsClassifier()
estimator.fit(X_train,y_train)
y_predicted=estimator.predict(X_test)

print('准确度为:{:.1f}%'.format(np.mean(y_test==y_predicted)*100))

在这里插入图片描述

2.企业欺诈识别的完善

（本节内容的数据见电脑F:/python数据/audit_risk 或腾讯微云文件”python数据\audit_risk “）
在这里插入图片描述
1.数据预处理
在这里插入图片描述

①非数值的处理

import  pandas as pd
import numpy as np

frame=pd.read_csv('F:/python数据/audit_risk.csv')
results=frame.applymap(np.isreal)
#applymap(函数a)可以将DtaFrame中所有元素都应用一下“函数a”的运算，np.isreal判断是不是数字
#只要某一列中存在一个非数字型数据，那么这一列就全是False
print(results)

在这里插入图片描述

import  pandas as pd
import numpy as np

frame=pd.read_csv('F:/python数据/audit_risk.csv')
results=frame.applymap(np.isreal).all() #加上.all()就可以只显示我们需要的信息
print(results)

在这里插入图片描述

import  pandas as pd
import numpy as np

frame=pd.read_csv('F:/python数据/audit_risk.csv')
results=frame.applymap(np.isreal).all()
print(results[(results==False)]) #只显示有问题的列

在这里插入图片描述

import  pandas as pd
import numpy as np

frame=pd.read_csv('F:/python数据/audit_risk.csv')
frame['LOCATION_ID']=pd.to_numeric(frame['LOCATION_ID'],errors='coerce') 
#将我们检索出来的异常列全部用数值填充那些异常数值，pd.to_numeric就是转为数值的意思，errors='coerce'就是用空值填充非数字的数据

results=frame.applymap(np.isreal).all() #再次检索看看还有没有非数字列
print(results)

在这里插入图片描述
②空值的处理

import  pandas as pd
import numpy as np

frame=pd.read_csv('F:/python数据/audit_risk.csv')
frame['LOCATION_ID']=pd.to_numeric(frame['LOCATION_ID'],errors='coerce') 
#将我们检索出来的异常列全部用数值填充那些异常数值，errors='coerce'就是用空值填充异常数据

results=frame.isnull() #返回一个和原始DataFrame一样大小的矩阵，其中True表示该数字为空值
print(results)

在这里插入图片描述

import  pandas as pd
import numpy as np

frame=pd.read_csv('F:/python数据/audit_risk.csv')
frame['LOCATION_ID']=pd.to_numeric(frame['LOCATION_ID'],errors='coerce') 

results=frame.isnull().any(0) #使用any(0)当这一列内在任何一个空值则这一列返回True
print(results)

在这里插入图片描述

import  pandas as pd
import numpy as np

frame=pd.read_csv('F:/python数据/audit_risk.csv')
frame['LOCATION_ID']=pd.to_numeric(frame['LOCATION_ID'],errors='coerce') 

results=frame.isnull().any(1) #使用any(1)当这一行内在任何一个空值则这一行返回True
print(results[results==True])

在这里插入图片描述

import  pandas as pd
import numpy as np

frame=pd.read_csv('F:/python数据/audit_risk.csv')
frame['LOCATION_ID']=pd.to_numeric(frame['LOCATION_ID'],errors='coerce') 
frame=frame.fillna(0) #使用0来填充对应的空值
results=frame.isnull().any(0)
print(results)

在这里插入图片描述

import  pandas as pd
from sklearn.impute import SimpleImputer

frame=pd.read_csv('F:/python数据/audit_risk.csv')
frame['LOCATION_ID']=pd.to_numeric(frame['LOCATION_ID'],errors='coerce') 
imp=SimpleImputer(strategy='mean') #利用空值所在列的数据平均值来填充空值
newframe=imp.fit_transform(frame)
print(newframe)

在这里插入图片描述

import  pandas as pd
from sklearn.impute import SimpleImputer

frame=pd.read_csv('F:/python数据/audit_risk.csv')
print(frame)  #数据是DataFrame类型
frame['LOCATION_ID']=pd.to_numeric(frame['LOCATION_ID'],errors='coerce') 
print(frame)  #数据还是DataFrame类型
imp=SimpleImputer(strategy='mean') #利用空值所在列的数据平均值来填充空值
newframe=imp.fit_transform(frame)
print(newframe)  #经过这一步处理，数据变成了numpy类型

'''我们有一步是划分特征数据与预测数据
y=frame[frame.columns[len(frame.columns)-1]] 
frame.drop(frame.columns[len(frame.columns)-1],axis=1,inplace=True) 
这一步必须趁着还是DataFrame类型时处理'''

在这里插入图片描述

import  pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier #使用最近邻模型
from sklearn.impute import SimpleImputer
import numpy as np

frame=pd.read_csv('F:/python数据/audit_risk.csv')
frame['LOCATION_ID']=pd.to_numeric(frame['LOCATION_ID'],errors='coerce')  #把异常数值处理为空值
y=frame[frame.columns[len(frame.columns)-1]] 
frame.drop(frame.columns[len(frame.columns)-1],axis=1,inplace=True) 

imp=SimpleImputer(strategy='mean') #利用空值所在列的数据平均值来填充空值
newframe=imp.fit_transform(frame)
X=newframe

X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.1) 

estimator=KNeighborsClassifier()
estimator.fit(X_train,y_train)
y_predicted=estimator.predict(X_test)

print('准确度为:{:.1f}%'.format(np.mean(y_test==y_predicted)*100))

在这里插入图片描述
③数据规范化处理

import  pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier 
from sklearn.preprocessing import StandardScaler
import numpy as np

frame=pd.read_csv('F:/python数据/audit_risk.csv')
frame['LOCATION_ID']=pd.to_numeric(frame['LOCATION_ID'],errors='coerce')  #把异常数值处理为空值
frame=frame.fillna(0) #用0来填充空值
y=frame[frame.columns[len(frame.columns)-1]] 
frame.drop(frame.columns[len(frame.columns)-1],axis=1,inplace=True) 

X=frame
X=StandardScaler().fit_transform(X) #这一步就是数据规范化处理，用来处理那些“过激”的数据

X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.1) 

estimator=KNeighborsClassifier()
estimator.fit(X_train,y_train)
y_predicted=estimator.predict(X_test)

print('准确度为:{:.1f}%'.format(np.mean(y_test==y_predicted)*100))

在这里插入图片描述
2.交叉验证
①将训练集和测试集交换一下

import  pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier 
import numpy as np

frame=pd.read_csv('F:/python数据/audit_risk.csv')
frame['LOCATION_ID']=pd.to_numeric(frame['LOCATION_ID'],errors='coerce')  #把异常数值处理为空值
frame=frame.fillna(0) #用0来填充空值
y=frame[frame.columns[len(frame.columns)-1]] 
frame.drop(frame.columns[len(frame.columns)-1],axis=1,inplace=True) 

X=frame
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.1) 

estimator=KNeighborsClassifier()
estimator.fit(X_test,y_test) #交换了训练集和测试集来交叉验证
y_predicted=estimator.predict(X_train)  #交换了训练集和测试集来交叉验证

print('准确度为:{:.1f}%'.format(np.mean(y_train==y_predicted)*100))

在这里插入图片描述
②用cross_val_score

import  pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier 
import numpy as np
from sklearn.model_selection import cross_val_score

frame=pd.read_csv('F:/python数据/audit_risk.csv')
frame['LOCATION_ID']=pd.to_numeric(frame['LOCATION_ID'],errors='coerce')  #把异常数值处理为空值
frame=frame.fillna(0) #用0来填充空值
y=frame[frame.columns[len(frame.columns)-1]] 
frame.drop(frame.columns[len(frame.columns)-1],axis=1,inplace=True) 

X=frame
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.1) 

estimator=KNeighborsClassifier()
scores=cross_val_score(estimator,X,y,scoring='accuracy',cv=10) #scoring='accuracy'评估指标是“精准度”,cv=10交叉分组的次数是10
print(np.mean(scores))

在这里插入图片描述

3.会员卡预测

（本节内容的数据见电脑F:/python数据/customer 或腾讯微云文件”python数据\customer “）
在这里插入图片描述
包含27个相关的特征（姓名、地址、教育情况）；还有一个会员卡的类型（金卡、银卡、铜卡、普通卡）
1.决策树
特征的选择：特征列太多，我们先选择三个数字型特征的列（年收入，小孩数，家庭汽车拥有量）。年收入是一个范围，我们要替换一下才能用；
在这里插入图片描述

import pandas as pd

frame=pd.read_csv('F:/python数据/customer.csv')
print(frame['yearly_income'].head(2))
frame['yearly_income']=frame['yearly_income'].str.replace('[^0-9]','') #frame['yearly_income'].str获得列那一列元素的字符串表示，然后用空字符替换不属于0-9的阿拉伯数字
print(frame['yearly_income'].head(2))

'''用3050表示30-50'''

在这里插入图片描述
方法二：

import pandas as pd

frame=pd.read_csv('F:/python数据/customer.csv')
print(frame['yearly_income'].head(2))
frame['yearly_income']=frame['yearly_income'].str.split(' ').str[0].str.replace('[^0-9]','') #我们只取下限作为年收入
print(frame['yearly_income'].head(2))

在这里插入图片描述

import pandas as pd
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import cross_val_score
import numpy as np

frame=pd.read_csv('F:/python数据/customer.csv')
frame['yearly_income']=frame['yearly_income'].str.split(' ').str[0].str.replace('[^0-9]','') #我们只取下限作为年收入
y=frame['member_card'] #把会员卡列作为预测列
X=frame[["yearly_income",'total_children','num_cars_owned']] #将三个数值列作为特征列

clf=DecisionTreeClassifier() #用了决策树
scores=cross_val_score(clf,X,y,scoring='accuracy')
print(np.mean(scores))

如果能够引入更多的分类特征，决策树的效果会更好一些，比如受教育程度和职业与会员等级也有很大的联系
在这里插入图片描述

import pandas as pd
from sklearn.preprocessing import LabelEncoder

frame=pd.read_csv('F:/python数据/customer.csv')
encoding=LabelEncoder() #使用这种方法将字符串映射为数字
encoding.fit(frame['education'])
education_new=encoding.transform(frame['education'])
print(frame['education'].values)
print(education_new)

在这里插入图片描述

import pandas as pd
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import cross_val_score
from sklearn.preprocessing import LabelEncoder
import numpy as np


frame=pd.read_csv('F:/python数据/customer.csv')
frame['yearly_income']=frame['yearly_income'].str.split(' ').str[0].str.replace('[^0-9]','') #我们只取下限作为年收入
encoding=LabelEncoder()  #使用这种方法将字符串映射为数字
encoding.fit(frame['education'])
frame['education_new']=encoding.transform(frame['education'])
y=frame['member_card'] #把会员卡列作为预测列
X=frame[["yearly_income",'total_children','num_cars_owned']] #将三个数值列作为特征列

clf=DecisionTreeClassifier() #用了决策树
scores=cross_val_score(clf,X,y,scoring='accuracy')
print(np.mean(scores))

在这里插入图片描述
在这里插入图片描述

import pandas as pd
from sklearn.preprocessing import OneHotEncoder
import numpy as np


frame=pd.read_csv('F:/python数据/customer.csv')
encoding=OneHotEncoder() 
print(frame['education'].values)
newData=encoding.fit_transform(np.vstack(frame['education'].values)).todense()
print(newData)

在这里插入图片描述

import pandas as pd
import numpy as np


frame=pd.read_csv('F:/python数据/customer.csv')
print(frame['education'].values)
print(np.vstack(frame['education'].values)) #vstack把序列竖了起来，只有这样才能存储独热编码的那些列

在这里插入图片描述

import pandas as pd
from sklearn.preprocessing import OneHotEncoder
import numpy as np


frame=pd.read_csv('F:/python数据/customer.csv')
encoding=OneHotEncoder()
newData=encoding.fit_transform(np.vstack(frame['education'].values)).todense()
frame_new=pd.DataFrame(newData)
frame_full=pd.merge(frame[['yearly_income','total_children','num_cars_owned']],frame_new,left_index=True,
                    right_index=True)
print(frame_full)

在这里插入图片描述

import pandas as pd
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import cross_val_score
from sklearn.preprocessing import OneHotEncoder
import numpy as np


frame=pd.read_csv('F:/python数据/customer.csv')
y=frame['member_card'] #把会员卡列作为预测列

frame['yearly_income']=frame['yearly_income'].str.split(' ').str[0].str.replace('[^0-9]','')
encoding=OneHotEncoder()
newData=encoding.fit_transform(np.vstack(frame['education'].values)).todense()
frame_new=pd.DataFrame(newData)
frame_full=pd.merge(frame[['yearly_income','total_children','num_cars_owned']],frame_new,left_index=True,
                    right_index=True)

X=frame_full

clf=DecisionTreeClassifier()
scores=cross_val_score(clf,X,y,scoring='accuracy')
print(np.mean(scores))

在这里插入图片描述

import pandas as pd
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import cross_val_score
from sklearn.preprocessing import OneHotEncoder
import numpy as np


frame=pd.read_csv('F:/python数据/customer.csv')
y=frame['member_card'] #把会员卡列作为预测列

frame['yearly_income']=frame['yearly_income'].str.split(' ').str[0].str.replace('[^0-9]','')
encoding=OneHotEncoder()
newData=encoding.fit_transform(np.vstack(frame['marital_status'].values)).todense()  #我们仅仅是将'education'换成了"marital_status"婚否，准确率就提高了很多
frame_new=pd.DataFrame(newData)
frame_full=pd.merge(frame[['yearly_income','total_children','num_cars_owned']],frame_new,left_index=True,
                    right_index=True)

X=frame_full

clf=DecisionTreeClassifier()
scores=cross_val_score(clf,X,y,scoring='accuracy')
print(np.mean(scores))

在这里插入图片描述
2.随机森林
决策树是仅仅挑选了特征列，如果我们能够根据列的组合和行的组合建立不同的多颗矩阵数，用来分别预测，这就是随机森林
用起来很简单，我们只需要将DecisionTreeClassifier()替换为RandomForestClassifier()就可以了

import pandas as pd
from sklearn.ensemble import RandomForestClassifier #替换为随机森林
from sklearn.model_selection import cross_val_score
from sklearn.preprocessing import OneHotEncoder
import numpy as np


frame=pd.read_csv('F:/python数据/customer.csv')
y=frame['member_card'] #把会员卡列作为预测列

frame['yearly_income']=frame['yearly_income'].str.split(' ').str[0].str.replace('[^0-9]','')
encoding=OneHotEncoder()
newData=encoding.fit_transform(np.vstack(frame['marital_status'].values)).todense()
frame_new=pd.DataFrame(newData)
frame_full=pd.merge(frame[['yearly_income','total_children','num_cars_owned']],frame_new,left_index=True,
                    right_index=True)

X=frame_full

clf=RandomForestClassifier()  #替换为随机森林
scores=cross_val_score(clf,X,y,scoring='accuracy')
print(np.mean(scores))

在这里插入图片描述
随机森林的参数很多，我们可以根据算法来获得最优的参数

import pandas as pd
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import cross_val_score
from sklearn.preprocessing import OneHotEncoder
import numpy as np
from sklearn.model_selection import GridSearchCV

frame=pd.read_csv('F:/python数据/customer.csv')
y=frame['member_card'] #把会员卡列作为预测列

frame['yearly_income']=frame['yearly_income'].str.split(' ').str[0].str.replace('[^0-9]','')
encoding=OneHotEncoder()
newData=encoding.fit_transform(np.vstack(frame['marital_status'].values)).todense()
frame_new=pd.DataFrame(newData)
frame_full=pd.merge(frame[['yearly_income','total_children','num_cars_owned']],frame_new,left_index=True,
                    right_index=True)

X=frame_full

clf=RandomForestClassifier()

parameter_space={
    'max_features':[2,4,'auto'],
    'n_estimators':[100,],
    'criterion':['gini','entropy'],
    'min_samples_leaf':[2,4,6],
    }
clf=RandomForestClassifier()
grid=GridSearchCV(clf,parameter_space)
grid.fit(X,y)
print(grid.best_estimator_)
print(grid.best_score_)

在这里插入图片描述
把最优参数填进去

import pandas as pd
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import cross_val_score
from sklearn.preprocessing import OneHotEncoder
import numpy as np

frame=pd.read_csv('F:/python数据/customer.csv')
y=frame['member_card'] #把会员卡列作为预测列

frame['yearly_income']=frame['yearly_income'].str.split(' ').str[0].str.replace('[^0-9]','')
encoding=OneHotEncoder()
newData=encoding.fit_transform(np.vstack(frame['marital_status'].values)).todense()
frame_new=pd.DataFrame(newData)
frame_full=pd.merge(frame[['yearly_income','total_children','num_cars_owned']],frame_new,left_index=True,
                    right_index=True)

X=frame_full

clf=RandomForestClassifier(bootstrap=True, class_weight=None, criterion='gini',
                       max_depth=None, max_features='auto', max_leaf_nodes=None,
                       min_impurity_decrease=0.0, min_impurity_split=None,
                       min_samples_leaf=6, min_samples_split=2,
                       min_weight_fraction_leaf=0.0, n_estimators=100,
                       n_jobs=None, oob_score=False, random_state=None,
                       verbose=0, warm_start=False)
scores=cross_val_score(clf,X,y,scoring='accuracy')
print(np.mean(scores))

在这里插入图片描述

4.会员卡预测改进

（本节内容的数据见电脑F:/python数据/customer 或腾讯微云文件”python数据\customer “）
在这里插入图片描述
包含27个相关的特征（姓名、地址、教育情况）；还有一个会员卡的类型（金卡、银卡、铜卡、普通卡）

1.数据的预处理

import pandas as pd

frame=pd.read_csv('F:/python数据/customer.csv')
print(frame['yearly_income'].describe()) #了解这一列数据的总数，出现次数最高的数据，出现次数最高的数据出现的次数

print('------------------------------------------------')

print(frame['yearly_income'].unique()) #可以得到年收入的八种不同取值依次是什么

在这里插入图片描述

import pandas as pd
from sklearn.ensemble import RandomForestClassifier #替换为随机森林
from sklearn.model_selection import cross_val_score
from sklearn.preprocessing import OneHotEncoder
import numpy as np
from sklearn import preprocessing


frame=pd.read_csv('F:/python数据/customer.csv')
y=frame['member_card']

frame['yearly_income']=frame['yearly_income'].str.split(' ').str[0].str.replace('[^0-9]','')
frame['yearly_income_new']=preprocessing.scale(frame['yearly_income']) #将年收入均值调整为0，将标准差调整为1
encoding=OneHotEncoder()
newData=encoding.fit_transform(np.vstack(frame['marital_status'].values)).todense()
frame_new=pd.DataFrame(newData)
frame_full=pd.merge(frame[['yearly_income_new','total_children','num_cars_owned']],frame_new,left_index=True,
                    right_index=True)

X=frame_full

clf=RandomForestClassifier()
scores=cross_val_score(clf,X,y,scoring='accuracy')
print(np.mean(scores))

在这里插入图片描述

import pandas as pd

frame=pd.read_csv('F:/python数据/customer.csv')
frame['yearly_income']=frame['yearly_income'].str.split(' ').str[0].str.replace('[^0-9]','')
frame['yearly_income_new']=frame['yearly_income'].astype(int)
print(frame['yearly_income_new'].describe()) 

'''std=35.973839可以看到方差非常大，数据分布非常分撒，我们得处理一下'''

在这里插入图片描述

import pandas as pd

frame=pd.read_csv('F:/python数据/customer.csv')
frame['yearly_income']=frame['yearly_income'].str.split(' ').str[0].str.replace('[^0-9]','')
frame['yearly_income_new']=frame['yearly_income'].astype(int)
frame['yearly_income_new']=frame['yearly_income_new']//30 #将数据调整的小一些
print(frame['yearly_income_new'].describe())

在这里插入图片描述

import pandas as pd
from sklearn.ensemble import RandomForestClassifier #替换为随机森林
from sklearn.model_selection import cross_val_score
from sklearn.preprocessing import OneHotEncoder
import numpy as np


frame=pd.read_csv('F:/python数据/customer.csv')
y=frame['member_card']

frame['yearly_income']=frame['yearly_income'].str.split(' ').str[0].str.replace('[^0-9]','')
frame['yearly_income_new']=frame['yearly_income'].astype(int)
frame['yearly_income_new']=frame['yearly_income_new']//30 #将数据调整的小一些

encoding=OneHotEncoder()
newData=encoding.fit_transform(np.vstack(frame['marital_status'].values)).todense()
frame_new=pd.DataFrame(newData)
frame_full=pd.merge(frame[['yearly_income_new','total_children','num_cars_owned']],frame_new,left_index=True,
                    right_index=True)

X=frame_full

clf=RandomForestClassifier()
scores=cross_val_score(clf,X,y,scoring='accuracy')
print(np.mean(scores))

在这里插入图片描述

import pandas as pd

frame=pd.read_csv('F:/python数据/customer.csv')
frame['age']=pd.to_datetime(frame['date_accnt_opened']).dt.year-pd.to_datetime(frame['birthdate']).dt.year #顾客开卡的时间减去生日等于顾客开卡的年龄
frame['age']=frame['age']//20 #除以20减小方差
print(frame['age'].describe())

在这里插入图片描述

import pandas as pd

frame=pd.read_csv('F:/python数据/customer.csv')
frame['age']=pd.to_datetime(frame['date_accnt_opened']).dt.year-pd.to_datetime(frame['birthdate']).dt.year #顾客开卡的时间减去生日等于顾客开卡的年龄
frame['age']=frame['age']//20 #除以20减小方差
frame.loc[frame['age'] >=3,'age']=1
frame.loc[frame['age'] <=1,'age']=1 #将小于20岁和大于60岁的年龄统一为一个类别，因为他们消费能力都有限

import pandas as pd
from sklearn.ensemble import RandomForestClassifier #替换为随机森林
from sklearn.model_selection import cross_val_score
from sklearn.preprocessing import OneHotEncoder
import numpy as np


frame=pd.read_csv('F:/python数据/customer.csv')
y=frame['member_card']

frame['age']=pd.to_datetime(frame['date_accnt_opened']).dt.year-pd.to_datetime(frame['birthdate']).dt.year #顾客开卡的时间减去生日等于顾客开卡的年龄
frame['age']=frame['age']//20 #除以20减小方差
frame.loc[frame['age'] >=3,'age']=1
frame.loc[frame['age'] <=1,'age']=1 #将小于20岁和大于60岁的年龄统一为一个类别，因为他们消费能力都有限

frame['yearly_income']=frame['yearly_income'].str.split(' ').str[0].str.replace('[^0-9]','')

encoding=OneHotEncoder()
newData=encoding.fit_transform(np.vstack(frame['marital_status'].values)).todense()
frame_new=pd.DataFrame(newData)
frame_full=pd.merge(frame[['age','yearly_income','total_children','num_cars_owned']],frame_new,left_index=True,
                    right_index=True)

X=frame_full

clf=RandomForestClassifier()
scores=cross_val_score(clf,X,y,scoring='accuracy')
print(np.mean(scores))

在这里插入图片描述
2.数据的选择
①使用SelectKBest

import pandas as pd
from sklearn.preprocessing import OneHotEncoder
import numpy as np
from sklearn.feature_selection import SelectKBest
from scipy.stats import chi2_contingency as chi2

frame=pd.read_csv('F:/python数据/customer.csv')

frame['age']=pd.to_datetime(frame['date_accnt_opened']).dt.year-pd.to_datetime(frame['birthdate']).dt.year #顾客开卡的时间减去生日等于顾客开卡的年龄
frame['age']=frame['age']//20 #除以20减小方差
frame.loc[frame['age'] >=3,'age']=1
frame.loc[frame['age'] <=1,'age']=1 #将小于20岁和大于60岁的年龄统一为一个类别，因为他们消费能力都有限

frame['yearly_income']=frame['yearly_income'].str.split(' ').str[0].str.replace('[^0-9]','')

encoding=OneHotEncoder()
newData=encoding.fit_transform(np.vstack(frame['marital_status'].values)).todense()
frame_new=pd.DataFrame(newData)
frame_full=pd.merge(frame[['age','yearly_income','total_children','num_cars_owned']],frame_new,left_index=True,
                    right_index=True)

X=frame_full
y=frame['member_card']

transformer=SelectKBest(score_func=chi2,k='all') #score_func=chi2表示使用卡方检验，k='all'表示返回所有特征
Xt_chi2=transformer.fit_transform(X,y)

print(transformer.scores_)

'''一共有六个特征{'age','yearly_income','total_children','num_cars_owned',"marital_status=True",'marital_status=True'}
我们可以看到，第一个特征的结果特别小，说明不具备相关性；其他的数值还是蛮高的
'''

在这里插入图片描述
②使用PCA

import pandas as pd
from sklearn.preprocessing import OneHotEncoder
import numpy as np
from sklearn.decomposition import PCA

frame=pd.read_csv('F:/python数据/customer.csv')
y=frame['member_card']

frame['age']=pd.to_datetime(frame['date_accnt_opened']).dt.year-pd.to_datetime(frame['birthdate']).dt.year #顾客开卡的时间减去生日等于顾客开卡的年龄
frame['age']=frame['age']//20 #除以20减小方差
frame.loc[frame['age'] >=3,'age']=1
frame.loc[frame['age'] <=1,'age']=1 #将小于20岁和大于60岁的年龄统一为一个类别，因为他们消费能力都有限

frame['yearly_income']=frame['yearly_income'].str.split(' ').str[0].str.replace('[^0-9]','')

encoding=OneHotEncoder()
newData=encoding.fit_transform(np.vstack(frame['marital_status'].values)).todense()
frame_new=pd.DataFrame(newData)
frame_full=pd.merge(frame[['age','yearly_income','total_children','num_cars_owned']],frame_new,left_index=True,
                    right_index=True)

X=frame_full

pca=PCA(n_components=2) #从上面的特征中最终生成两个关联较大的特征
Xd=pca.fit_transform(X)
np.set_printoptions(precision=3,suppress=True) #调用一个numpy的设置，将小数设置为三位
print(pca.explained_variance_ratio_) #我们看到第一列相关性非常大
print(Xd)

在这里插入图片描述

import pandas as pd
from sklearn.preprocessing import OneHotEncoder
import numpy as np
from sklearn.decomposition import PCA
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import cross_val_score

frame=pd.read_csv('F:/python数据/customer.csv')
y=frame['member_card']

frame['age']=pd.to_datetime(frame['date_accnt_opened']).dt.year-pd.to_datetime(frame['birthdate']).dt.year #顾客开卡的时间减去生日等于顾客开卡的年龄
frame['age']=frame['age']//20 #除以20减小方差
frame.loc[frame['age'] >=3,'age']=1
frame.loc[frame['age'] <=1,'age']=1 #将小于20岁和大于60岁的年龄统一为一个类别，因为他们消费能力都有限

frame['yearly_income']=frame['yearly_income'].str.split(' ').str[0].str.replace('[^0-9]','')

encoding=OneHotEncoder()
newData=encoding.fit_transform(np.vstack(frame['marital_status'].values)).todense()
frame_new=pd.DataFrame(newData)
frame_full=pd.merge(frame[['age','yearly_income','total_children','num_cars_owned']],frame_new,left_index=True,
                    right_index=True)

X=frame_full

pca=PCA(n_components=2) 
Xd=pca.fit_transform(X)

clf=RandomForestClassifier()
scores=cross_val_score(clf,Xd,y,scoring='accuracy') #将pca得到的两列特征应用
print(np.mean(scores))

在这里插入图片描述

5.每日订单预测

（本节内容的数据见电脑F:/python数据/Daily_Demand_Forecasting_Orders 或腾讯微云文件”python数据\Daily_Demand_Forecasting_Orders “）
在这里插入图片描述

import pandas as pd

frame=pd.read_csv('F:/python数据/Daily_Demand_Forecasting_Orders.csv',sep=';')
pd.set_option('display.max_columns',None)
print(frame.head(1))

在这里插入图片描述
由上图可以看到部分列名过长，需要修改

import pandas as pd

frame=pd.read_csv('F:/python数据/Daily_Demand_Forecasting_Orders.csv',sep=';')
pd.set_option('display.max_columns',None)
frame.rename(columns={'Week of the month (first week, second, third, fourth or fifth week':'week',
                      'Day of the week (Monday to Friday)':'day',
                      "Orders from the traffic controller sector":'sector',
                      'Target (Total orders)':'Target'},inplace=True
             )
print(frame.head(1))

在这里插入图片描述

import pandas as pd

frame=pd.read_csv('F:/python数据/Daily_Demand_Forecasting_Orders.csv',sep=';')
pd.set_option('display.max_columns',None)
frame.rename(columns={'Week of the month (first week, second, third, fourth or fifth week':'week',
                      'Day of the week (Monday to Friday)':'day',
                      "Orders from the traffic controller sector":'sector',
                      'Target (Total orders)':'Target'},inplace=True
             )
X=frame['Non-urgent order'].values.reshape(-1,1) 
#选择了一个“非紧急订单”，将这个特征数列的数据转换为一个二元数据，reshape(-1,1) 其中1是指1列，-1是指根据实际情况确定行数
print(X)

在这里插入图片描述

import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import cross_val_score
import numpy as np

frame=pd.read_csv('F:/python数据/Daily_Demand_Forecasting_Orders.csv',sep=';')
pd.set_option('display.max_columns',None)
frame.rename(columns={'Week of the month (first week, second, third, fourth or fifth week':'week',
                      'Day of the week (Monday to Friday)':'day',
                      "Orders from the traffic controller sector":'sector',
                      'Target (Total orders)':'Target'},inplace=True
             )
X=frame['Non-urgent order'].values.reshape(-1,1) 
y=frame['Target']
regressor=LinearRegression() #线性回归
scores=cross_val_score(regressor,X,y,scoring='r2')
print(np.mean(scores))

在这里插入图片描述

import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
import sklearn.metrics as sm

frame=pd.read_csv('F:/python数据/Daily_Demand_Forecasting_Orders.csv',sep=';')
pd.set_option('display.max_columns',None)
frame.rename(columns={'Week of the month (first week, second, third, fourth or fifth week':'week',
                      'Day of the week (Monday to Friday)':'day',
                      "Orders from the traffic controller sector":'sector',
                      'Target (Total orders)':'Target'},inplace=True
             )
X=frame['Non-urgent order'].values.reshape(-1,1) 
y=frame['Target']
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=7)
regressor=LinearRegression() 
regressor.fit(X_train,y_train)
y_test_pred=regressor.predict(X_test)
print(round(sm.mean_squared_error(y_test,y_test_pred),2))
print(round(sm.r2_score(y_test,y_test_pred),2))
print(regressor.coef_) #拟合的截距
print(regressor.intercept_) #拟合的系数

在这里插入图片描述

import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt 

frame=pd.read_csv('F:/python数据/Daily_Demand_Forecasting_Orders.csv',sep=';')
pd.set_option('display.max_columns',None)
frame.rename(columns={'Week of the month (first week, second, third, fourth or fifth week':'week',
                      'Day of the week (Monday to Friday)':'day',
                      "Orders from the traffic controller sector":'sector',
                      'Target (Total orders)':'Target'},inplace=True
             )
X=frame['Non-urgent order'].values.reshape(-1,1) 
y=frame['Target']
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=7)
regressor=LinearRegression() 
regressor.fit(X_train,y_train)
y_test_pred=regressor.predict(X_test)

plt.figure()
plt.scatter(X_test,y_test,color='green')
plt.plot(X_test,y_test_pred,color='black',linewidth=4)
plt.title('Test data')
plt.show()

在这里插入图片描述
使用岭回归可以避免较大的异常值

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import Ridge
import sklearn.metrics as sm

frame=pd.read_csv('F:/python数据/Daily_Demand_Forecasting_Orders.csv',sep=';')
pd.set_option('display.max_columns',None)
frame.rename(columns={'Week of the month (first week, second, third, fourth or fifth week':'week',
                      'Day of the week (Monday to Friday)':'day',
                      "Orders from the traffic controller sector":'sector',
                      'Target (Total orders)':'Target'},inplace=True
             )
X=frame['Non-urgent order'].values.reshape(-1,1) 
y=frame['Target']
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=7)
regressor=Ridge() 
regressor.fit(X_train,y_train)
y_test_pred=regressor.predict(X_test)
print(round(sm.r2_score(y_test,y_test_pred),2))

在这里插入图片描述
多元回归（考虑更多的特征值，而不是只有一个特征）

import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
import sklearn.metrics as sm

frame=pd.read_csv('F:/python数据/Daily_Demand_Forecasting_Orders.csv',sep=';')
pd.set_option('display.max_columns',None)
frame.rename(columns={'Week of the month (first week, second, third, fourth or fifth week':'week',
                      'Day of the week (Monday to Friday)':'day',
                      "Orders from the traffic controller sector":'sector',
                      'Target (Total orders)':'Target'},inplace=True
             )

y=frame['Target']
X=frame.drop(columns='Target')

X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=7)
regressor=LinearRegression() 
regressor.fit(X_train,y_train)
y_test_pred=regressor.predict(X_test)
print(round(sm.r2_score(y_test,y_test_pred),2))

在这里插入图片描述
多项式回归

import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
import sklearn.metrics as sm
from sklearn.preprocessing import PolynomialFeatures

frame=pd.read_csv('F:/python数据/Daily_Demand_Forecasting_Orders.csv',sep=';')
pd.set_option('display.max_columns',None)
frame.rename(columns={'Week of the month (first week, second, third, fourth or fifth week':'week',
                      'Day of the week (Monday to Friday)':'day',
                      "Orders from the traffic controller sector":'sector',
                      'Target (Total orders)':'Target'},inplace=True
             )

y=frame['Target']
X=frame.drop(columns='Target')

X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=7)
polynomial=PolynomialFeatures(interaction_only=True) #多项式拟合回归需要在进行任何训练预测之前将原始特征数据进行转换
polynomial.fit_transform(X_train)
X_train_transformed=polynomial.fit_transform(X_train)

regressor=LinearRegression() 
regressor.fit(X_train_transformed,y_train)
X_test_transformed=polynomial.fit_transform(X_test) #将原始特征数据进行转换
y_test_pred=regressor.predict(X_test_transformed)

print(round(sm.r2_score(y_test,y_test_pred),2))

在这里插入图片描述
使用决策树

import pandas as pd
from sklearn.tree import DecisionTreeRegressor
from sklearn.model_selection import train_test_split
import sklearn.metrics as sm


frame=pd.read_csv('F:/python数据/Daily_Demand_Forecasting_Orders.csv',sep=';')
pd.set_option('display.max_columns',None)
frame.rename(columns={'Week of the month (first week, second, third, fourth or fifth week':'week',
                      'Day of the week (Monday to Friday)':'day',
                      "Orders from the traffic controller sector":'sector',
                      'Target (Total orders)':'Target'},inplace=True
             )

y=frame['Target']
X=frame.drop(columns='Target')

X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=7)
regressor=DecisionTreeRegressor(max_depth=6)
regressor.fit(X_train,y_train)
y_test_pred=regressor.predict(X_test)
print(round(sm.r2_score(y_test,y_test_pred),2))

在这里插入图片描述

import pandas as pd
from sklearn.tree import DecisionTreeRegressor
from sklearn.model_selection import train_test_split
import sklearn.metrics as sm
from sklearn.ensemble import AdaBoostRegressor

frame=pd.read_csv('F:/python数据/Daily_Demand_Forecasting_Orders.csv',sep=';')
pd.set_option('display.max_columns',None)
frame.rename(columns={'Week of the month (first week, second, third, fourth or fifth week':'week',
                      'Day of the week (Monday to Friday)':'day',
                      "Orders from the traffic controller sector":'sector',
                      'Target (Total orders)':'Target'},inplace=True
             )

y=frame['Target']
X=frame.drop(columns='Target')

X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=7)
regressor=AdaBoostRegressor(DecisionTreeRegressor(max_depth=6)) #AdaBoostRegressor只需要将决策树进行封装即可
regressor.fit(X_train,y_train)
y_test_pred=regressor.predict(X_test)
print(round(sm.r2_score(y_test,y_test_pred),2))

print(regressor.feature_importances_) #AdaBoostRegressor中可以通过feature_importances_获得12个特征与预测列的相关度

在这里插入图片描述

import pandas as pd
from sklearn.tree import DecisionTreeRegressor
from sklearn.model_selection import train_test_split
from sklearn.ensemble import AdaBoostRegressor
import numpy as np

frame=pd.read_csv('F:/python数据/Daily_Demand_Forecasting_Orders.csv',sep=';')
pd.set_option('display.max_columns',None)
frame.rename(columns={'Week of the month (first week, second, third, fourth or fifth week':'week',
                      'Day of the week (Monday to Friday)':'day',
                      "Orders from the traffic controller sector":'sector',
                      'Target (Total orders)':'Target'},inplace=True
             )

y=frame['Target']
X=frame.drop(columns='Target')

X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=7)
regressor=AdaBoostRegressor(DecisionTreeRegressor(max_depth=6)) 
regressor.fit(X_train,y_train)
y_test_pred=regressor.predict(X_test)
feature_importances=100.0*(regressor.feature_importances_/max(regressor.feature_importances_)) #得到各个特征重要性与最大特征重要性的比值

print(np.sort(feature_importances)) #对这些特征重要性进行排序

在这里插入图片描述

import pandas as pd
from sklearn.tree import DecisionTreeRegressor
from sklearn.model_selection import train_test_split
from sklearn.ensemble import AdaBoostRegressor
import numpy as np
import matplotlib.pyplot as plt

frame=pd.read_csv('F:/python数据/Daily_Demand_Forecasting_Orders.csv',sep=';')
pd.set_option('display.max_columns',None)
frame.rename(columns={'Week of the month (first week, second, third, fourth or fifth week':'week',
                      'Day of the week (Monday to Friday)':'day',
                      "Orders from the traffic controller sector":'sector',
                      'Target (Total orders)':'Target'},inplace=True
             )

y=frame['Target']
X=frame.drop(columns='Target')

X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=7)
regressor=AdaBoostRegressor(DecisionTreeRegressor(max_depth=6)) 
regressor.fit(X_train,y_train)
y_test_pred=regressor.predict(X_test)
feature_importances=100.0*(regressor.feature_importances_/max(regressor.feature_importances_)) #得到各个特征重要性与最大特征重要性的比值
values=np.sort(feature_importances)

plt.figure()
plt.bar(np.arange(12),values)
plt.show()

在这里插入图片描述

import pandas as pd
from sklearn.tree import DecisionTreeRegressor
from sklearn.model_selection import train_test_split
from sklearn.ensemble import AdaBoostRegressor
import numpy as np
import matplotlib.pyplot as plt

frame=pd.read_csv('F:/python数据/Daily_Demand_Forecasting_Orders.csv',sep=';')
pd.set_option('display.max_columns',None)
frame.rename(columns={'Week of the month (first week, second, third, fourth or fifth week':'week',
                      'Day of the week (Monday to Friday)':'day',
                      "Orders from the traffic controller sector":'sector',
                      'Target (Total orders)':'Target'},inplace=True
             )

y=frame['Target']
X=frame.drop(columns='Target')

X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=7)
regressor=AdaBoostRegressor(DecisionTreeRegressor(max_depth=6)) 
regressor.fit(X_train,y_train)
y_test_pred=regressor.predict(X_test)
feature_importances=100.0*(regressor.feature_importances_/max(regressor.feature_importances_)) #得到各个特征重要性与最大特征重要性的比值
values=np.sort(feature_importances)


plt.figure()
plt.bar(np.arange(12),values)

index_sorted=np.argsort(feature_importances)
plt.xticks(np.arange(12),X.columns.values[index_sorted])
#np.argsort(feature_importances)也是对feature_importances进行排序，但排序结果是对应列表元素的下标
#然后我们将np.argsort(feature_importances)作为下标的显示内容

plt.show()

在这里插入图片描述

你的甲乙丙
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
Python实现循环随机抽题
阿黎逸阳的博客
01-03 2578
Python实现循环随机抽题。
机器学习的应用
全栈川川
06-01 1万+
机器学习的应用
机器学习有哪些应用？机器学习应用领域盘点
m0_60720471的博客
03-09 6737
机器学习是一种让计算机通过学习数据和模式，能够自动地完成任务和优化算法的技术。它的应用范围非常广泛，例如在自然语言处理、图像识别、推荐系统、金融风控、医学诊断、智能制造等领域都有着广泛的应用。
机器学习有哪些应用？可以用来做什么？
gu1857035894的博客
03-10 4908
机器学习具有广泛的应用领域，可以用于图像和语音识别、自然语言处理、推荐系统、金融风控、医疗健康、自动驾驶、工业生产等方面。通过机器学习，可以实现更智能、更高效、更准确的决策和服务，为人类带来更多的便利和效益。
基于SparkMLPipeline构建机器学习应用
02-25
使用机器学习的方法可以解决越来越多的实际问题，它在现实世界中的应用越来越广泛，比如智能风控、欺诈检测、个性化推荐、机器翻译、模式识别、智能控制，等等。我们都知道，机器学习可以分为三大类：监督学习...
机器学习算法的实现和应用.zip
最新发布
05-08
这个压缩包“机器学习算法的实现和应用.zip”包含了关于机器学习算法实现和应用的相关资料，主要集中在“Machine_learning-master”目录下，我们可以期待深入探讨各种机器学习算法的细节及其实际运用。 首先，机器...
《机器学习及其应用》示例参考代码.pdf
09-13
第3章中，介绍了三个实际应用：信用风险评估、垃圾邮件检测和车牌定位与检测。信用风险评估通常使用逻辑回归、随机森林或梯度提升机来预测违约概率；垃圾邮件检测则可以利用朴素贝叶斯或深度学习的文本分类技术；...
机器学习综合应用 2.doc
12-01
（2）根据实际案例选择合适的机器学习模型和算法；（3）进行数据读取、预处理和清洗。 实验内容包括使用决策树和k均值聚类等机器学习方法对实际问题进行分析，并设计合理的解决方案进行实现。具体来说，周欣然选择...
机器学习：机器学习：实际应用
02-04
《机器学习：实际应用》 在当今数据驱动的时代，机器学习已经成为了数据分析和决策制定的核心技术。本资源包“Machine-Learning-master”聚焦于机器学习的实际应用，涵盖了多个关键领域和算法，旨在帮助用户理解并...
机器学习可以应用在哪些场景？机器学习有什么用？
gu1857035894的博客
08-10 6205
我们从统计学角度在理解一下机器学习的这四大应用，如果我们有一批样本，希望能够预测是都属于某相关属性，如果样本值是离散的，我们就可以使用分类的方法，如果是连续的我们就可以使用回归的方法，如果我们这批样本没有对应的属性，而是想挖掘其中的相关性，那么就用聚类的方式。比如RFM模型中我们通过客户销售数据，通过这些数据对客户分群，然后通过聚类的方法，将相似度高的数据聚类到一起，通过分析出来的数据我们可以对数据特性在定义标签，它解决的是相似度的问题，将相似度高的聚集到一起。...
【ML】现实生活中的十大机器学习示例（让世界变得更美好）
sikh_0529的博客
02-07 5044
使用地图和路线的平台中的机器学习通过 ML 算法计算出交通较少的最快路线、到达时间、上车地点和到达目的地的最佳路线，确保准时。在进入 python 中的机器学习示例或我们突出显示的机器学习现实生活示例之前，让我们通过示例看一下四种关键的机器学习类型。使用适当的表情符号、Facebook 上有关朋友标签的建议、Instagram 上的过滤、社交媒体平台上的内容推荐和推荐关注者等，都是机器学习如何帮助我们进行社交网络的示例。农业中的机器学习能够以更少的人力实现精确高效的农业生产，从而实现高质量生产。
机器学习有哪些应用场景？机器学习有什么用？
m0_60720471的博客
03-10 2914
机器学习可以应用于各个领域，从自动驾驶、医疗保健到金融服务等，都有着广泛的应用场景。随着技术的不断发展，机器学习的应用范围也会不断扩大，为各行各业带来更多的创新和变革。
机器学习(四)机器学习分类及场景应用
Maynor的博客
10-28 1503
除了上述学习方式，还有深度学习、迁移学习等学习方式，一般深度学提取特征、强化学习解决连续决策，迁移学习解决模型适应性问题。下面对迁移学习能解决那些问题?l 小数据的问题。比方说新开一个网店，卖一种新的糕点，没有任何的数据，就无法建立模型对用 户进行推荐。
机器学习可以应用在哪些场景
顺其自然~专栏
09-01 3258
分类和聚类机器学习最常用的应用场景，分类和聚类都是对数据的分组，我们刚接触的时候，很容易混淆这两个应用的概念，觉得分类就是聚类，其实他们有很多的不同。分类是我们知道有哪些组，然后对数据进行判断，判断这些数据到底是预先知道的那些组。举个很简单的例子，比如我们在军训排队时要求男生一组，女生一组，这就是一种分类，我们提前知道要分那些组，然后通过一种算法对输入的数据判定，来分类到已知的类别下，这个就是分类。...
机器学习实战应用：分享一些机器学习在实际问题中的应用案例和经验
a871923942的博客
04-30 1906
机器学习的实际应用意义：随着大数据时代的到来，越来越多的企业和组织开始关注如何从海量数据中提取有价值的信息以指导决策。
什么是机器学习，目前机器学习的应用有哪些？
热门推荐
04-09 2万+
机器学习 机器学习就是让机器具备人一样学习的能力，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能，它是人工智能的核心。 机器学习已经有了十分广泛的应用，例如：数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人运用。国内专注于机器学习的公司...
深入解析机器学习：原理、应用与未来
萧鼎的博客
02-19 1389
无监督学习的目标是通过分析数据中的结构和关系，发现数据中的隐藏模式或结构。因此，我们需要不断探索和创新，努力推动机器学习技术的发展和应用，为人类的进步和发展做出贡献。在监督学习中，我们给机器提供带有标签的训练数据，让机器通过学习这些数据来自动地找到数据中的规律，并据此进行预测。通过对大量的金融数据进行分析和建模，机器学习可以帮助金融机构识别潜在的风险，预测市场走势，以及制定个性化的信贷政策。例如，在电商平台上，推荐系统可以根据用户的购买历史和浏览行为，为用户推荐相关的商品，从而提高销售额和用户满意度。
Python机器学习实战：用Python构建10个有趣的应用
z099164的博客
01-04 1039
机器学习是一门强大的工具，可以用于解决各种各样的问题。通过学习机器学习，您可以开发出能够自动化任务、做出预测甚至创造艺术的应用程序。如果您是一名 Python 开发人员，那么您将很高兴知道，有许多可以用 Python 构建的有趣机器学习应用程序。在本博客文章中，我们将介绍 10 个这样的应用程序。
机器学习应用案例大百科
9. **第九章：客户案例研究** - 分享了实际企业如何成功运用这些机器学习技术，为读者提供实际应用的灵感和教训。 这本书通过丰富的实例和实用的代码示例，为读者展示了如何在Databricks平台上实施这些机器学习解决...

“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

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

你的甲乙丙

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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