编程环境和数据集
常用与机器学习相关类库
- 由第三方机构SciPy.org开发的开源类库
- Numpy
- 数值计算扩展
- 最主要的类:ndarray(多维数组类)
- Pandas
- 数据分析
- 最主要的类:Series(一维序列类)、DataFrame(二维表格类)
- Matplotlib
- 数据可视化
- 最主要的类:pyplot(简单常用的绘图功能)
- Numpy
- scikit-learn
- 面向机器学习(尤其是统计学习)的类库;
- 支持绝大部分回归任务、分类任务、聚类任务;
- 目前不支持深度学习和并行计算
- sklearn.datasets模块中的:
- load_*()函数
- 可以从官方网站上下载练习用数据集;
- fetch_*()函数
- 可以从官方网站上下载并保存较大的真实数据集;
- make_*()函数
- 自动生成符合分布的模拟数据集;
- load_*()函数
- 安装方法:
- win+R
- 输入cmd,回车;
- 输入
回车pip install numpy
- 输入
回车pip install Pandas
- 输入
回车pip install Matplotlib
- 输入
回车pip install scikit-learn
编程工具Anaconda(推荐使用)
- 是机器学习编程最好的IDE,基本不需要单独下载安装其他机器学习相关的类库;
- Jupyter Notebook
- 基于网页,用于交互计算的编程环境(在浏览器中进行编程);
- 功能:代码编辑、文档撰写、代码执行、结果展示;
建议文件夹格式
- 工程文件夹
- 数据文件夹
- 数据文件1
- 数据文件2
- 程序文件1
- 程序文件2
- 数据文件夹
举例
以波士顿房价数据集为例,进行简单的引入和存储操作,并输出数据集的行列数量;
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
# plt.show() 展示图表
# 下载波士顿房价数据集,保存到本地文件boston.cvs中
from sklearn.datasets import load_boston
house = load_boston()
print (house.data.shape) # 输出数据行列数量
df = pd.DataFrame(house.data, columns=house.feature_names)
df['MEDV'] = house['target']
df.to_csv("./data/boston.csv", index=None)
# 将数据集的说明文档保存到本地文件boston.txt中
file = open("./data/boston.txt", 'w')
file.write(house.DESCR)
file.close()
输出结果为:
(506, 13)
并新建boston.csv、boston.txt两个文件