Rumah > pembangunan bahagian belakang > Tutorial Python > Contoh pembelajaran mesin tradisional dalam Python

Contoh pembelajaran mesin tradisional dalam Python

PHPz
Lepaskan: 2023-06-11 08:55:36
asal
831 orang telah melayarinya

Python ialah salah satu bahasa pengaturcaraan yang paling popular dan salah satu alat penting dalam bidang pembelajaran mesin. Pembelajaran mesin tradisional ialah cabang penting dalam bidang pembelajaran mesin Ia didedikasikan untuk membina model untuk meramal dan mengklasifikasikan data baharu melalui pembelajaran daripada data sejarah. Artikel ini akan memperkenalkan beberapa contoh pembelajaran mesin tradisional standard dalam Python.

  1. Regression Linear

Regression Linear ialah kaedah yang digunakan untuk menganggarkan hubungan antara dua pembolehubah. Ia menggunakan kaedah kuasa dua terkecil untuk mengira padanan garis lurus yang optimum berdasarkan hubungan linear antara titik data yang diperhatikan. Dalam Python, scikit-learn ialah perpustakaan untuk pembelajaran mesin, yang merangkumi banyak algoritma pembelajaran mesin yang biasa digunakan, termasuk regresi linear.

Contoh:

from sklearn.linear_model import LinearRegression
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=.2)
linreg=LinearRegression()
linreg.fit(X_train,y_train)
Salin selepas log masuk

Dalam contoh di atas, fungsi LinearRegression (regresi linear) dan fungsi train_test_split pertama kali diimport Fungsi train_test_split digunakan untuk memisahkan set data kepada set data latihan . dan set data ujian. Kemudian objek model regresi linear dimulakan, dan set data latihan dihantar ke model untuk latihan fit(). Selepas model dilatih, buat ramalan pada set data ujian.

  1. Pokok Keputusan

Algoritma pepohon keputusan ialah algoritma pembelajaran mesin bukan parametrik. Ia membantu kami lebih memahami maklumat tentang set data dengan menggambarkan data dalam bentuk rajah pokok. Kita boleh menggunakan pokok untuk membuat ramalan, menjadikannya model pokok. Dalam Python, pelaksanaan model pepohon keputusan juga sangat mudah Kita hanya perlu mengimport DecisionTreeClassifier.

Contoh:

from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score
dt = DecisionTreeClassifier(max_depth=10)
dt.fit(X_train, y_train)
y_pred_dt = dt.predict(X_test)
acc_decision_tree=accuracy_score(y_test, y_pred_dt)
Salin selepas log masuk

Dalam contoh di atas, kami mula-mula mengimport fungsi DecisionTreeClassifier dan fungsi accuracy_score, max_depth ialah kedalaman pepohon keputusan, X_train dan y_train ialah data latihan, X_test dan y_test ialah data ujian. Kemudian gunakan fungsi fit() untuk menyesuaikan model, dan fungsi predict() untuk meramalkan keputusan model.

  1. Mesin Vektor Sokongan (SVM)

Algoritma mesin vektor sokongan ialah algoritma pengelasan yang boleh mencari satu antara data latihan dan data ujian Garis sempadan optimum (iaitu, sempadan keputusan) dan membahagikan data ujian kepada dua kategori berbeza melalui garis sempadan ini. Dalam Python, kita boleh menggunakan fungsi svm.SVC untuk melaksanakan SVM.

Contoh:

from sklearn import svm
svm = svm.SVC(kernel='linear',C=1,gamma='auto')
svm.fit(X_train, y_train)
y_pred_svm = svm.predict(X_test)
svm_score = svm.score(X_test, y_test)
Salin selepas log masuk

Dalam contoh di atas, kami menggunakan svm.SVC untuk memulakan model pengelas SVM, menentukan kernel sebagai linear dan nilai gamma sebagai auto. Dan import set data latihan ke dalam model untuk latihan model, dan gunakan fungsi predict() untuk membuat ramalan pada set data ujian. Gunakan fungsi score() untuk mengira skor ketepatan model.

Ringkasan:

Di atas adalah pelaksanaan tiga pembelajaran mesin tradisional. Kaedah pembelajaran mesin ini digunakan secara meluas dalam banyak bidang. Dalam Python, pustaka scikit-learn boleh digunakan untuk melaksanakan model pembelajaran mesin tradisional dengan cepat dan berkesan serta mendapatkan hasil digital tertentu.

Atas ialah kandungan terperinci Contoh pembelajaran mesin tradisional dalam Python. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

sumber:php.cn
Kenyataan Laman Web ini
Kandungan artikel ini disumbangkan secara sukarela oleh netizen, dan hak cipta adalah milik pengarang asal. Laman web ini tidak memikul tanggungjawab undang-undang yang sepadan. Jika anda menemui sebarang kandungan yang disyaki plagiarisme atau pelanggaran, sila hubungi admin@php.cn
Tutorial Popular
Lagi>
Muat turun terkini
Lagi>
kesan web
Kod sumber laman web
Bahan laman web
Templat hujung hadapan