欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

Python機(jī)器學(xué)習(xí)庫(kù)scikit-learn入門開(kāi)發(fā)示例

 更新時(shí)間:2022年07月28日 10:51:07   作者:m0_65187443  
scikit-learn是一個(gè)開(kāi)源Python語(yǔ)言機(jī)器學(xué)習(xí)工具包,它涵蓋了幾乎所有主流機(jī)器學(xué)習(xí)算法的實(shí)現(xiàn),并且提供了一致的調(diào)用接口。它基于Numpy和scipy等Python數(shù)值計(jì)算庫(kù),提供了高效的算法實(shí)現(xiàn)

1.數(shù)據(jù)采集和標(biāo)記

先采集數(shù)據(jù),再對(duì)數(shù)據(jù)進(jìn)行標(biāo)記。其中采集數(shù)據(jù)要就有代表性,以確保最終訓(xùn)練出來(lái)模型的準(zhǔn)確性。

2.特征選擇

選擇特征的直觀方法:直接使用圖片的每個(gè)像素點(diǎn)作為一個(gè)特征。

數(shù)據(jù)保存為樣本個(gè)數(shù)×特征個(gè)數(shù)格式的array對(duì)象。scikit-learn使用Numpy的array對(duì)象來(lái)表示數(shù)據(jù),所有的圖片數(shù)據(jù)保存在digits.images里,每個(gè)元素都為一個(gè)8×8尺寸的灰階圖片。

3.數(shù)據(jù)清洗

把采集到的、不合適用來(lái)做機(jī)器學(xué)習(xí)訓(xùn)練的數(shù)據(jù)進(jìn)行預(yù)處理,從而轉(zhuǎn)換為合適機(jī)器學(xué)習(xí)的數(shù)據(jù)。

目的:減少計(jì)算量,確保模型穩(wěn)定性。

4.模型選擇

對(duì)于不同的數(shù)據(jù)集,選擇不同的模型有不同的效率。因此在選擇模型要考慮很多的因素,來(lái)提高最終選擇模型的契合度。

5.模型訓(xùn)練

在進(jìn)行模型訓(xùn)練之前,要將數(shù)據(jù)集劃分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集,再利用劃分好的數(shù)據(jù)集進(jìn)行模型訓(xùn)練,最后得到我們訓(xùn)練出來(lái)的模型參數(shù)。

6.模型測(cè)試

模型測(cè)試的直觀方法:用訓(xùn)練出來(lái)的模型預(yù)測(cè)測(cè)試數(shù)據(jù)集,然后將預(yù)測(cè)出來(lái)的結(jié)果與真正的結(jié)果進(jìn)行比較,最后比較出來(lái)的結(jié)果即為模型的準(zhǔn)確度。

scikit-learn提供的完成這項(xiàng)工作的方法:

clf . score ( Xtest , Ytest)

除此之外,還可以直接把測(cè)試數(shù)據(jù)集里的部分圖片顯示出來(lái),并且在圖片的左下角顯示預(yù)測(cè)值,右下角顯示真實(shí)值。

7.模型保存與加載

當(dāng)我們訓(xùn)練出一個(gè)滿意的模型后即可將模型保存下來(lái),這樣當(dāng)下次需要預(yù)測(cè)時(shí),可以直接利用此模型進(jìn)行預(yù)測(cè),不用再一次進(jìn)行模型訓(xùn)練。

8.實(shí)例

數(shù)據(jù)采集和標(biāo)記

#導(dǎo)入庫(kù)
%matplotlib inline
import matplotlib.pyplot as plt
import numpy as np
"""
sk-learn庫(kù)中自帶了一些數(shù)據(jù)集
此處使用的就是手寫數(shù)字識(shí)別圖片的數(shù)據(jù)
"""
# 導(dǎo)入sklearn庫(kù)中datasets模塊
from sklearn import datasets
# 利用datasets模塊中的函數(shù)load_digits()進(jìn)行數(shù)據(jù)加載
digits = datasets.load_digits()
# 把數(shù)據(jù)所代表的圖片顯示出來(lái)
images_and_labels = list(zip(digits.images, digits.target))
plt.figure(figsize=(8, 6))
for index, (image, label) in enumerate(images_and_labels[:8]):
    plt.subplot(2, 4, index + 1)
    plt.axis('off')
    plt.imshow(image, cmap=plt.cm.gray_r, interpolation='nearest')
    plt.title('Digit: %i' % label, fontsize=20);

特征選擇

# 將數(shù)據(jù)保存為 樣本個(gè)數(shù)x特征個(gè)數(shù) 格式的array對(duì)象 的數(shù)據(jù)格式進(jìn)行輸出
# 數(shù)據(jù)已經(jīng)保存在了digits.data文件中
print("shape of raw image data: {0}".format(digits.images.shape))
print("shape of data: {0}".format(digits.data.shape))

模型訓(xùn)練

# 把數(shù)據(jù)分成訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集(此處將數(shù)據(jù)集的百分之二十作為測(cè)試數(shù)據(jù)集)
from sklearn.model_selection import train_test_split
Xtrain, Xtest, Ytrain, Ytest = train_test_split(digits.data, digits.target, test_size=0.20, random_state=2);
# 使用支持向量機(jī)來(lái)訓(xùn)練模型
from sklearn import svm
clf = svm.SVC(gamma=0.001, C=100., probability=True)
# 使用訓(xùn)練數(shù)據(jù)集Xtrain和Ytrain來(lái)訓(xùn)練模型
clf.fit(Xtrain, Ytrain);

模型測(cè)試

"""
sklearn.metrics.accuracy_score(y_true, y_pred, normalize=True, sample_weight=None)
normalize:默認(rèn)值為True,返回正確分類的比例;如果為False,返回正確分類的樣本數(shù)
"""
# 評(píng)估模型的準(zhǔn)確度(此處默認(rèn)為true,直接返回正確的比例,也就是模型的準(zhǔn)確度)
from sklearn.metrics import accuracy_score
# predict是訓(xùn)練后返回預(yù)測(cè)結(jié)果,是標(biāo)簽值。
Ypred = clf.predict(Xtest);
accuracy_score(Ytest, Ypred)

模型保存與加載

"""
將測(cè)試數(shù)據(jù)集里的部分圖片顯示出來(lái)
圖片的左下角顯示預(yù)測(cè)值,右下角顯示真實(shí)值
"""
# 查看預(yù)測(cè)的情況
fig, axes = plt.subplots(4, 4, figsize=(8, 8))
fig.subplots_adjust(hspace=0.1, wspace=0.1)
for i, ax in enumerate(axes.flat):
    ax.imshow(Xtest[i].reshape(8, 8), cmap=plt.cm.gray_r, interpolation='nearest')
    ax.text(0.05, 0.05, str(Ypred[i]), fontsize=32,
            transform=ax.transAxes,
            color='green' if Ypred[i] == Ytest[i] else 'red')
    ax.text(0.8, 0.05, str(Ytest[i]), fontsize=32,
            transform=ax.transAxes,
            color='black')
    ax.set_xticks([])
    ax.set_yticks([])

# 保存模型參數(shù)
import joblib
joblib.dump(clf, 'digits_svm.pkl');

保存模型參數(shù)過(guò)程中出現(xiàn)如下錯(cuò)誤:

原因:sklearn.externals.joblib函數(shù)是用在0.21及以前的版本中,在最新的版本,該函數(shù)應(yīng)被棄用。

解決方法:將 from sklearn.externals import joblib改為 import joblib

# 導(dǎo)入模型參數(shù),直接進(jìn)行預(yù)測(cè)
clf = joblib.load('digits_svm.pkl')
Ypred = clf.predict(Xtest);
clf.score(Xtest, Ytest)

到此這篇關(guān)于Python機(jī)器學(xué)習(xí)庫(kù)scikit-learn入門開(kāi)發(fā)示例的文章就介紹到這了,更多相關(guān)Python scikit-learn內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!

相關(guān)文章

  • 圖解Python中深淺copy(通俗易懂)

    圖解Python中深淺copy(通俗易懂)

    這篇文章主要介紹了圖解Python中深淺copy(通俗易懂),文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧
    2020-09-09
  • Numpy數(shù)組的切片索引操作

    Numpy數(shù)組的切片索引操作

    本文主要介紹了Numpy數(shù)組的切片索引操作,文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧
    2023-06-06
  • Python 中如何實(shí)現(xiàn)參數(shù)化測(cè)試的方法示例

    Python 中如何實(shí)現(xiàn)參數(shù)化測(cè)試的方法示例

    這篇文章主要介紹了Python 中如何實(shí)現(xiàn)參數(shù)化測(cè)試的方法示例,文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧
    2019-12-12
  • 詳解如何使用Python?LXML庫(kù)來(lái)解析和處理XML文檔

    詳解如何使用Python?LXML庫(kù)來(lái)解析和處理XML文檔

    在數(shù)據(jù)處理過(guò)程中,XML(可擴(kuò)展標(biāo)記語(yǔ)言)常常被用作數(shù)據(jù)存儲(chǔ)和傳輸,Python的lxml庫(kù)是一個(gè)強(qiáng)大的庫(kù),用于解析XML和HTML文檔,本文將向您介紹如何使用lxml庫(kù)來(lái)解析和處理XML文檔,需要的朋友可以參考下
    2023-08-08
  • python logging模塊的使用總結(jié)

    python logging模塊的使用總結(jié)

    這篇文章主要介紹了python logging模塊使用總結(jié)以上就是本文的全部?jī)?nèi)容,希望對(duì)大家的學(xué)習(xí)有所幫助,也希望大家多多支持腳本之家。,需要的朋友可以參考下
    2019-07-07
  • Python使用StringIO和BytesIO讀寫內(nèi)存數(shù)據(jù)

    Python使用StringIO和BytesIO讀寫內(nèi)存數(shù)據(jù)

    這篇文章介紹了Python使用StringIO和BytesIO讀寫內(nèi)存數(shù)據(jù)的方法,文中通過(guò)示例代碼介紹的非常詳細(xì)。對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值,需要的朋友可以參考下
    2022-05-05
  • tensorflow基于CNN實(shí)戰(zhàn)mnist手寫識(shí)別(小白必看)

    tensorflow基于CNN實(shí)戰(zhàn)mnist手寫識(shí)別(小白必看)

    這篇文章主要介紹了tensorflow基于CNN實(shí)戰(zhàn)mnist手寫識(shí)別(小白必看),文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧
    2020-07-07
  • python繪制高斯曲線

    python繪制高斯曲線

    這篇文章主要為大家詳細(xì)介紹了python繪制高斯曲線,文中示例代碼介紹的非常詳細(xì),具有一定的參考價(jià)值,感興趣的小伙伴們可以參考一下
    2021-02-02
  • Python Django ORM連表正反操作技巧

    Python Django ORM連表正反操作技巧

    這篇文章主要介紹了Django-ORM-連表正反操作,本文給大家介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值,需要的朋友可以參考下
    2021-06-06
  • Python入門學(xué)習(xí)指南分享

    Python入門學(xué)習(xí)指南分享

    這篇文章主要為大家詳細(xì)介紹了Python入門的學(xué)習(xí)指南,具有一定的參考價(jià)值,感興趣的小伙伴們可以參考一下
    2018-04-04

最新評(píng)論