使用python機(jī)器學(xué)習(xí)(五)-scikit-learn

解決機(jī)器學(xué)習(xí)問(wèn)題,最困難的部分通常是找到合適的算法模型,不同的算法模型適合于不同類數(shù)據(jù)和不同的問(wèn)題盏缤。
scikit-learn提供的主要功能就是主要關(guān)注數(shù)據(jù)建模,而非加載磷脯、操作蛾找、數(shù)據(jù)統(tǒng)計(jì), 這些任務(wù)有NumPy娩脾、Pandas就足夠了赵誓。

下圖為用戶的數(shù)據(jù)問(wèn)題,提供嘗試選擇算法模型的指南。

image.png

原圖并有超鏈接介紹相關(guān)算法

scikit-learn 主要提供了以下功能:

  • 測(cè)試數(shù)據(jù)集俩功,sklearn.datasets模塊提供了乳腺癌幻枉、kddcup 99、iris诡蜓、加州房?jī)r(jià)等諸多開(kāi)源的數(shù)據(jù)集
  • 降維(Dimensionality Reduction): 為了特征篩選熬甫、統(tǒng)計(jì)可視化來(lái)減少屬性的數(shù)量。
  • 特征提取(Feature extraction): 定義文件或者圖片中的屬性蔓罚。
  • 特征篩選(Feature selection): 為了建立監(jiān)督學(xué)習(xí)模型而識(shí)別出有真實(shí)關(guān)系的屬性椿肩。
  • 按算法功能分類,分為監(jiān)督學(xué)習(xí):分類(classification)和回歸(regression)豺谈,以及非監(jiān)督學(xué)習(xí):聚類(clustering)郑象。sklearn提供了很全面的算法實(shí)現(xiàn),詳細(xì)算法清單http://scikit-learn.org/stabl...茬末。
  • 聚類(Clustring): 使用KMeans之類的算法厂榛,給未標(biāo)記的數(shù)據(jù)分類。
  • 交叉驗(yàn)證(Cross Validation): 評(píng)估監(jiān)督學(xué)習(xí)模型的性能丽惭。
  • 參數(shù)調(diào)優(yōu)(Parameter Tuning): 調(diào)整監(jiān)督學(xué)習(xí)模型的參數(shù)以獲得最大效果击奶。
  • 流型計(jì)算(Manifold Learning): 統(tǒng)計(jì)和描繪多維度的數(shù)據(jù)

Scikit-learn進(jìn)行計(jì)算的主要步驟為:

  • 數(shù)據(jù)獲取、預(yù)處理责掏。
  • 可選的降維過(guò)程柜砾。如果原始數(shù)據(jù)的維度比較大, 需要先找出真正跟預(yù)測(cè)目標(biāo)相關(guān)的屬性换衬。
  • 學(xué)習(xí)以及預(yù)測(cè)的過(guò)程局义。
  • 反復(fù)學(xué)習(xí)的過(guò)程。通過(guò)增加樣本冗疮、調(diào)優(yōu)參數(shù)萄唇、更換算法等各種方式,提高預(yù)測(cè)的準(zhǔn)確率术幔。

下一篇通過(guò)上面介紹的理論處理一個(gè)實(shí)際問(wèn)題另萤。

參考

Python機(jī)器學(xué)習(xí)工具:Scikit-Learn介紹與實(shí)踐
基于 Python 和 Scikit-Learn 的機(jī)器學(xué)習(xí)介紹

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個(gè)濱河市诅挑,隨后出現(xiàn)的幾起案子四敞,更是在濱河造成了極大的恐慌,老刑警劉巖拔妥,帶你破解...
    沈念sama閱讀 218,525評(píng)論 6 507
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件忿危,死亡現(xiàn)場(chǎng)離奇詭異,居然都是意外死亡没龙,警方通過(guò)查閱死者的電腦和手機(jī)铺厨,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 93,203評(píng)論 3 395
  • 文/潘曉璐 我一進(jìn)店門缎玫,熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái),“玉大人解滓,你說(shuō)我怎么就攤上這事赃磨。” “怎么了洼裤?”我有些...
    開(kāi)封第一講書人閱讀 164,862評(píng)論 0 354
  • 文/不壞的土叔 我叫張陵邻辉,是天一觀的道長(zhǎng)。 經(jīng)常有香客問(wèn)我腮鞍,道長(zhǎng)值骇,這世上最難降的妖魔是什么? 我笑而不...
    開(kāi)封第一講書人閱讀 58,728評(píng)論 1 294
  • 正文 為了忘掉前任移国,我火速辦了婚禮雷客,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘桥狡。我一直安慰自己搅裙,他們只是感情好,可當(dāng)我...
    茶點(diǎn)故事閱讀 67,743評(píng)論 6 392
  • 文/花漫 我一把揭開(kāi)白布裹芝。 她就那樣靜靜地躺著部逮,像睡著了一般。 火紅的嫁衣襯著肌膚如雪嫂易。 梳的紋絲不亂的頭發(fā)上兄朋,一...
    開(kāi)封第一講書人閱讀 51,590評(píng)論 1 305
  • 那天,我揣著相機(jī)與錄音怜械,去河邊找鬼颅和。 笑死,一個(gè)胖子當(dāng)著我的面吹牛缕允,可吹牛的內(nèi)容都是我干的峡扩。 我是一名探鬼主播,決...
    沈念sama閱讀 40,330評(píng)論 3 418
  • 文/蒼蘭香墨 我猛地睜開(kāi)眼障本,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼教届!你這毒婦竟也來(lái)了?” 一聲冷哼從身側(cè)響起驾霜,我...
    開(kāi)封第一講書人閱讀 39,244評(píng)論 0 276
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤案训,失蹤者是張志新(化名)和其女友劉穎,沒(méi)想到半個(gè)月后粪糙,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體强霎,經(jīng)...
    沈念sama閱讀 45,693評(píng)論 1 314
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 37,885評(píng)論 3 336
  • 正文 我和宋清朗相戀三年蓉冈,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了城舞。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片轩触。...
    茶點(diǎn)故事閱讀 40,001評(píng)論 1 348
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡,死狀恐怖椿争,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情熟嫩,我是刑警寧澤秦踪,帶...
    沈念sama閱讀 35,723評(píng)論 5 346
  • 正文 年R本政府宣布,位于F島的核電站掸茅,受9級(jí)特大地震影響椅邓,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜昧狮,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 41,343評(píng)論 3 330
  • 文/蒙蒙 一景馁、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧逗鸣,春花似錦合住、人聲如沸。這莊子的主人今日做“春日...
    開(kāi)封第一講書人閱讀 31,919評(píng)論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)。三九已至卿樱,卻和暖如春僚害,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背繁调。 一陣腳步聲響...
    開(kāi)封第一講書人閱讀 33,042評(píng)論 1 270
  • 我被黑心中介騙來(lái)泰國(guó)打工萨蚕, 沒(méi)想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留,地道東北人蹄胰。 一個(gè)月前我還...
    沈念sama閱讀 48,191評(píng)論 3 370
  • 正文 我出身青樓岳遥,卻偏偏與公主長(zhǎng)得像,于是被迫代替她去往敵國(guó)和親裕寨。 傳聞我的和親對(duì)象是個(gè)殘疾皇子寒随,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 44,955評(píng)論 2 355

推薦閱讀更多精彩內(nèi)容