快捷導(dǎo)航

python庫(kù)sklearn常用操作

更新時(shí)間：2021年08月21日 10:07:04 作者：編程菜雞小徐震

sklearn是一個(gè)無(wú)論對(duì)于機(jī)器學(xué)習(xí)還是深度學(xué)習(xí)都必不可少的重要的庫(kù)，里面包含了關(guān)于機(jī)器學(xué)習(xí)的幾乎所有需要的功能，本文不會(huì)先整體介紹sklearn庫(kù)，而是先從sklearn庫(kù)中的一些具體實(shí)例入手，感興趣的朋友一起看看吧

前言

　sklearn是python的重要機(jī)器學(xué)習(xí)庫(kù)，其中封裝了大量的機(jī)器學(xué)習(xí)算法，如：分類、回歸、降維以及聚類；還包含了監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、數(shù)據(jù)變換三大模塊。sklearn擁有完善的文檔，使得它具有了上手容易的優(yōu)勢(shì)；并它內(nèi)置了大量的數(shù)據(jù)集，節(jié)省了獲取和整理數(shù)據(jù)集的時(shí)間。因而，使其成為了廣泛應(yīng)用的重要的機(jī)器學(xué)習(xí)庫(kù)。

sklearn是一個(gè)無(wú)論對(duì)于機(jī)器學(xué)習(xí)還是深度學(xué)習(xí)都必不可少的重要的庫(kù)，里面包含了關(guān)于機(jī)器學(xué)習(xí)的幾乎所有需要的功能，因?yàn)閟klearn庫(kù)的內(nèi)容是如此之多以至于一開(kāi)始就從宏觀層面展開(kāi)的話很可能會(huì)使初學(xué)者感到困惑和恐懼。相反的，本文不會(huì)先整體介紹sklearn庫(kù)，而是先從sklearn庫(kù)中的一些具體實(shí)例入手，在讀者學(xué)習(xí)完一些比較常用的函數(shù)并且對(duì)他們的功能有了一定了解之后，本文再?gòu)暮暧^展開(kāi)，全面細(xì)致的講解sklearn庫(kù)。本博客中的實(shí)例幾乎都來(lái)自我自己學(xué)習(xí)keras的過(guò)程中，建議與我的另外一篇寫keras的博客一同食用，理解起來(lái)更佳。

一、MinMaxScaler

MinMaxScaler函數(shù)主要的用途就在于數(shù)據(jù)歸一化。數(shù)據(jù)歸一化是在我們開(kāi)始深度學(xué)習(xí)之前做的數(shù)據(jù)預(yù)處理過(guò)程中的重要一環(huán)，簡(jiǎn)單來(lái)說(shuō)就是將我們的測(cè)試樣本的元素都集中在[0,1]的區(qū)間上，數(shù)據(jù)歸一化可以讓我們的神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)起來(lái)更快達(dá)到最佳點(diǎn)，如果不進(jìn)行歸一化的話神經(jīng)網(wǎng)絡(luò)可能會(huì)花費(fèi)很長(zhǎng)時(shí)間來(lái)收斂（也就是到達(dá)最佳點(diǎn)）甚至可能最終也不會(huì)收斂。同時(shí)，數(shù)據(jù)歸一化也可以大大增加神經(jīng)網(wǎng)絡(luò)中可學(xué)習(xí)參數(shù)的精度，從而達(dá)到更好的學(xué)習(xí)效果。下面就是MinMaxScaler函數(shù)的實(shí)例應(yīng)用。

from sklearn import preprocessing
import numpy as np

x = np.array([[3., -1., 2., 613.],
              [2., 0., 0., 232],
              [0., 1., -1., 113],
              [1., 2., -3., 489]])

min_max_scaler = preprocessing.MinMaxScaler()
x_minmax = min_max_scaler.fit_transform(x)
print(x_minmax)

運(yùn)行結(jié)果：

[[1. 0. 1. 1. ]

[0.66666667 0.33333333 0.6        0.238     ]
[0.         0.66666667 0.4        0.        ]
[0.33333333 1.         0.         0.752     ]]
總結(jié)起來(lái)就是兩步：1.scaler=preprocessing.MinMaxScaler()
               2.x1=scaler.fit_transform(x)
x1就是歸一化之后的結(jié)果
注意，想要引入MinMaxScaler可以有兩種import的方式，除了上文中的方式還可以這樣做：