《Python数据分析与应用》第6章 使用sklearn构建模型 实训部分

最新推荐文章于 2024-06-19 16:56:19 发布
最新推荐文章于 2024-06-19 16:56:19 发布
阅读量9.1k 收藏 133
点赞数 13
文章标签： sklearn python 数据分析
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_47572370/article/details/122961130
版权

《Python数据分析与应用》第6章 使用sklearn构建模型 实训部分((源于大学课程python数据分析))

实训1 使用sklearn处理wine和wine_quality数据集

1.使用pandas库分别读取wine数据集在这里插入图片描述在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
2.将wine数据集和wine_quality数据集的数据和标签拆分开
拆分wine数据集
在这里插入图片描述
和wine_quality数据集
在这里插入图片描述
3.将wine,wine_quality数据集划分为训练集和测试集
在这里插入图片描述
在这里插入图片描述
4.标准化wine数据集和wine_quality数据集
在这里插入图片描述
在这里插入图片描述
5.对wine数据集和wine_quality数据集进行PCA降维
在这里插入图片描述
在这里插入图片描述

实训2 构建基于wine数据集的K-Means聚类模型

1.构建聚类数目为3的K-Means模型
在这里插入图片描述在这里插入图片描述
2.对比真实标签和聚类标签求取FMI
在这里插入图片描述
3.在聚类数目为2-10类时，确定最优聚类数目
在这里插入图片描述
结果表明最优聚类数目为3类
4.求取模型的轮廓系数，绘制轮廓系数折线图，确定最优聚类数目
在这里插入图片描述
在这里插入图片描述
由上图所示，k=7时，畸变程度最大，所以最优聚类数目为7
5.求取Calinski—Harabasz指数，确定最优聚类数目
在这里插入图片描述
如上显示k=2时，数值较大，因此最优聚类数目为2

实训3 构建基于wine数据集的SVM分类模型

1.读取wine数据集，区分标签和数据
在这里插入图片描述
2.将wine数据集划分为训练集和测试集
在这里插入图片描述
3.使用离差标准化方法标准化wine数据集
在这里插入图片描述
4.构建SVM模型，并预测测试集结果
在这里插入图片描述
在这里插入图片描述
5.打印出分类报告，评价分类模型性能
在这里插入图片描述
准确率和Cohen’s Kappa系数一定程度是接近1，该分类模型性能较好

实训4 构建基于wine_quality数据集的回归模型

在这里插入图片描述
1.根据wine_quality数据集处理的结果，构建线性回归模型
在这里插入图片描述
2.根据wine_quality数据集处理的结果，构建梯度提升回归模型
在这里插入图片描述
3.结合真实评分和预测评分，计算均方误差、中值绝对误差、可解释方差
在这里插入图片描述
在这里插入图片描述
4.根据得分，判定模型的性能优劣
由于上可知，平均绝对误差、均方误差、中值绝对误差，梯度提升回归模型均比线性模型更接近0，可解释方差值、回归R方值梯度，提升回归模型均比线性模型更接近1，因此梯度提升回归模型优于线性回归模型

freetozn
关注
python数据分析与应用：使用scikit-learn构建模型分析 第六章实训（1,2）
weixin_48676558的博客
04-26 3330
1、掌握skleam转换器的用法。 2、掌握训练集、测试集划分的方法。 3、掌握使用sklearm进行PCA降维的方法。 4、掌握 sklearn 估计器的用法。 5、掌握聚类模型的构建与评价方法。 6、掌握分类模型的构建与评价方法。 7、掌握回归模型的构建与评价方法。
python数据分析与应用：第六章课后实训--应用sklearn分析竞标数据（全）
weixin_48676558的博客
04-27 5957
通过读取竞标行为数据集,进行训练集和测试集的划分、为后续的模型构建提供训练数据和测试数据;并对数据集进行降维,以适当减少数据的特征维度。
python数据分析与应用：第六章课后实训
最新发布
duanqiaoyuanyu10的博客
06-19 1772
python数据分析与应用：第六章课后实训
利用Python进行数据分析-第六章
丸丸丸丸子的博客
08-06 446
读写文本格式的数据 class my_dialect(csv.Dialect): lineterminator = '\n' delimiter = '；' quotechar = '"' --------------------------------------------------------------------------- TypeError ...
Python数据分析之第六章
u013004700的专栏
07-24 675
（1）基本统计 基本统计分析：又叫描述性统计分析，一般统计某个变量的最小值、第一四分位值、中值、第三四分位值、以及最大值。 常用的统计指标：计数、求和、平均值、方差、标准差； 描述性统计分析函数：describe(); 常用的统计函数： 填写图片摘要（选填） （2）分组分析 分组分析：是指根据分组字段，将分析对象划分成不同的部分，以进行对比分析各组之间的差异的一种分析方法； 常用的...
Python数据分析与应用，实训数据
06-07
Python数据分析与应用，实训数据
python数据分析与应用课后实训_python数据分析与应用
weixin_39753260的博客
11-28 1145
python数据分析与应用笔记使用sklearn构建模型1.使用sklearn转换器处理数据import numpy as npfrom sklearn.datasets import load_breast_cancerfrom sklearn.preprocessing import MinMaxScaler #该函数时对数据做标准化处理from sklearn.decomposition ...
Python数据分析与应用目录及课后习题答案
我走的每一步都算数
04-20 1万+
1.数值型特征的描述性统计——NumPy中的描述性统计函数。5、agg方法中使用的自定义函数含Numpy中的函数。（2）DataFrame的loc、iloc访问方式。7、使用agg方法对分组数据使用不同的聚合函数。agg函数和aggregate函数的参数说明。3、使用agg方法求不同字段的不同数目统计量。1、查看访问DataFrame中的数据。1、使用agg求出当前数据对应的统计量。1、查看数据的维度、形状、元素的个数。2、使用agg分别求字段的不同统计量。2、更改DataFrame中的数据。
python数据分析与应用 第七章实训信用卡处理
weixin_51119842的博客
12-21 8874
** 实训1 处理信用卡数据异常值** 1.读取信用卡数据 import numpy as np import pandas as pd credit_card = pd.read_csv('D:/学习/Python数据分析与应用PPT、教案、实训数据、习题答案/Python数据分析与应用/第7章/训数据/credit_card.csv', sep=',',encoding='gbk') print(credit_card) 测试结果： 信
Python数据分析与应用-----使用scikit-learn构建模型
qq_51186720的博客
05-17 1410
使用scikit-learn构建模型一.使用sklearn转换器处理数据1.加载datasets模块中数据集（1）datasets模块常用数据集加载函数及其解释2.将数据计划分为训练集和测试集(1)常用划分方式（2）K折交叉验证法（3）train_test_split函数3.使用sklearn转换器进行数据预处理与降维二.构建并评价聚类模型三.构建并评价分类模型四.构建并评价回归模型 一.使用sklearn转换器处理数据 1.加载datasets模块中数据集 （1）datasets模块常用数据集加载函数及其
机器学习数据预处理葡萄酒数据集wine_data
06-15
机器学习数据预处理葡萄酒数据集wine_data.csv，标准化，归一化
数据挖掘wine数据集分类实验报告及代码
05-16
使用逻辑回归和贝叶斯算法对wine数据集进行分类。包含wine数据集，源代码，实验报告及控制台可执行程序。
数据分析与应用习题答案
04-02
Python数据分析与应用习题答案（黄红梅，张良君为主编）
Python数据分析与应用第三章实训1
04-22
黄红梅、张良均《python数据分析与应用》第三章实训1代码。
Ubuntu18.04自启动程序
帕帕尼的博客
01-18 735
第一步： 打开 设置----->点击system settings(详细信息）----->点击user accounts（用户）----->点击右上角的Unlock（解锁）----->输入密码>将Automatic login（自动登录）设置为on打开。这样就可以免密码登录。 第二步： 给当前帐号设置默认管理员权限，终端运行： sudo visudo 在文件最后加上这一句 【用户名】 ALL=(ALL) NOPASSWD: ALL 示例: 用户名为root时:
使用sklearn将数据集分为训练集和测试集
热门推荐
修炼之路
03-07 6万+
在使用机器学习算法之前，通常我们需要先将数据集分为训练集和测试集。在分配训练集和测试集的时候，如果测试集的数据越小，对模型的泛化误差的估计将会越不准确。所以，在划分数据集的时候我们需要进行权衡。在实际应用中，基于整个数据集数据的大小，训练集数据和测试集数据的划分比例是6:4、7:3或8:2。对于庞大的数据可以使用9:1，甚至是99:1。我们可以直接使用sklearn提供的train_test_sp...
python第六章上机实验答案_第6周上机实验参考答案
weixin_39619174的博客
11-23 330
第6周上机实验参考答案A题：回文串#include#includeint Palindrome(char * s1){char str[50];int k,i,j;k=strlen(s1);for(i=k-1,j=0;i>=0;i--,j++)str[j]=s1[i];str[j]='\0';if(strcmp(s1,str)==0)return 1;elsereturn 0;}int main(...
利用sklearn对红酒数据集分类
我の博客
08-15 1万+
1. sklearn介绍 scikit-learn, 又写作sklearn, 是一个开源的基于python语言的机器学习工具包. 它通过numpy, Scipy和 Matplotlib等python数值计算的库实现的算法应用, 并且涵盖了几乎所有主流机器学习算法. 在工程应用中, 用python手写代码来从头实现一个算法的可能性非常低, 这样不仅耗时耗力, 还不一定能够写出构架清晰, 稳定性强的模型. 更多情况下, 是分析采集到的数据, 根据数据特征选择适合的算法, 在工具包中调用算法, 调整算法的参数
Sklearn 中的可用数据集
2401_84009549的博客
04-08 803
外链图片转存中…(img-f46UbYgy-1712551369605)]
使用sklearn处理wine和wine_quality数据集
06-28
### 回答1： 使用sklearn处理wine和wine_quality数据集可以通过以下步骤实现： 1. 导入需要的库和数据集 ```python from sklearn.datasets import load_wine, load_wine_quality wine = load_wine() wine_quality = load_wine_quality() ``` 2. 查看数据集的基本信息 ```python print(wine.DESCR) # 查看wine数据集的描述信息 print(wine_quality.DESCR) # 查看wine_quality数据集的描述信息 print(wine.data.shape) # 查看wine数据集的数据维度 print(wine_quality.data.shape) # 查看wine_quality数据集的数据维度 ``` 3. 数据预处理 对于wine数据集，可以进行标准化处理： ```python from sklearn.preprocessing import StandardScaler scaler = StandardScaler() wine.data = scaler.fit_transform(wine.data) ``` 对于wine_quality数据集，可以进行数据分割： ```python from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(wine_quality.data, wine_quality.target, test_size=.2, random_state=42) ``` 4. 模型训练和评估 对于wine数据集，可以使用KMeans聚类算法进行训练和评估： ```python from sklearn.cluster import KMeans kmeans = KMeans(n_clusters=3, random_state=42) kmeans.fit(wine.data) print(kmeans.inertia_) # 查看聚类结果的误差平方和 ``` 对于wine_quality数据集，可以使用决策树进行训练和评估： ```python from sklearn.tree import DecisionTreeClassifier from sklearn.metrics import accuracy_score dtc = DecisionTreeClassifier(random_state=42) dtc.fit(X_train, y_train) y_pred = dtc.predict(X_test) print(accuracy_score(y_test, y_pred)) # 查看分类准确率 ``` 以上就是使用sklearn处理wine和wine_quality数据集的基本步骤。 ### 回答2： 使用sklearn处理wine和wine_quality数据集需要进行以下步骤： 1.导入数据集：可以使用sklearn中的datasets模块或pandas库中的read_csv()函数导入数据集。 2.数据预处理：可以对数据进行归一化、缺失值处理、异常值处理等操作。 3.数据划分：将数据集分成训练集和测试集，可以使用sklearn中的train_test_split()函数。 4.选择模型：根据数据集的特征和目标变量选择合适的模型。比如，可以使用线性回归模型、支持向量机模型、决策树模型等。 5.训练模型：将训练集输入模型，使用sklearn中的fit()函数来训练模型。 6.评估模型：使用测试集进行评估，可以通过计算预测值与真实值之间的误差、查准率、查全率、F1值等指标来评估模型的性能。 7.调参优化：可以通过调整模型中的超参数来优化模型性能。可以使用sklearn中的GridSearchCV()函数进行网格搜索，寻找最优参数。 例如，使用sklearn处理wine数据集的步骤如下： 1.导入数据集：从sklearn.datasets中导入wine数据集。 2.数据预处理：可以对数据进行归一化处理。 3.数据划分：将数据集分成训练集和测试集，可以使用train_test_split()函数。 4.选择模型：选择适合wine数据集的模型，如逻辑回归模型、支持向量机模型等。 5.训练模型：将训练集输入模型，使用fit()函数进行训练。 6.评估模型：使用测试集进行评估，可以通过计算预测值与真实值之间的误差、准确率、召回率、F1值等指标来评估模型的性能。 7.调整模型：通过调整模型中的超参数来优化模型性能。可以使用GridSearchCV()函数进行网格搜索，寻找最优参数。 综上所述，使用sklearn处理wine和wine_quality数据集需要进行数据预处理、数据划分、模型选择、训练模型、评估模型、调参优化等步骤。这些步骤可以帮助我们更好地掌握数据分析和机器学习的方法，并为实际问题提供更好的解决方案。 ### 回答3： 首先，我要介绍一下sklearn这个库。它是一个Python的机器学习库，提供了许多用于处理数据的工具和算法。同时，sklearn也支持一些常用的数据集，如wine和wine_quality。 wine数据集包含178个样本，每个样本有13个属性（如酒精和苹果酸含量等），分为三个类别（分别代表红酒，白酒和玫瑰酒）。 wine_quality数据集包含4898个样本，每个样本有12个属性（如挥发性酸含量和pH值等），分为11个类别（代表不同的质量等级）。这个数据集比wine数据集更大更复杂，是一个非常典型的分类问题。 在sklearn中，我们可以很方便地导入这两个数据集： ``` from sklearn.datasets import load_wine, load_wine_quality wine = load_wine() wine_quality = load_wine_quality() ``` 然后，我们可以使用sklearn中的一些工具和算法来分析这些数据。比如可以用k-means算法对wine数据集进行聚类，得出每个样本属于哪一个类别。代码如下： ``` from sklearn.cluster import KMeans kmeans = KMeans(n_clusters=3) kmeans.fit(wine.data) labels = kmeans.predict(wine.data) ``` 同样的，我们也可以使用决策树算法对wine_quality数据集进行分类。代码如下： ``` from sklearn.tree import DecisionTreeClassifier dtc = DecisionTreeClassifier() dtc.fit(wine_quality.data, wine_quality.target) predictions = dtc.predict(wine_quality.data) ``` 值得注意的是，这里选择的算法可能并不是最优的，需要根据具体的问题和数据来选择最适合的算法和工具。 在使用sklearn处理数据集时，还可以进行特征选择、数据预处理、模型评估等操作，这里就不一一介绍了。总之，sklearn是一个非常强大的库，可以帮助我们在机器学习领域取得更好的成果。
评论 2
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

freetozn

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