摘要：隨著時(shí)代的到來及物聯(lián)網(wǎng)概念的日益受到人們的關(guān)注，機(jī)器學(xué)習(xí)正逐步應(yīng)用于科技生活生產(chǎn)各個(gè)領(lǐng)域。今天我們就為介紹機(jī)器學(xué)習(xí)中常用到的一個(gè)第三庫，它是屬于的第三方庫，今天的講解也是基于來進(jìn)行講解的。

隨著AI時(shí)代的到來及物聯(lián)網(wǎng)概念的日益受到人們的關(guān)注，機(jī)器學(xué)習(xí)正逐步應(yīng)用于科技、生活生產(chǎn)各個(gè)領(lǐng)域。今天我們就為介紹機(jī)器學(xué)習(xí)中常用到的一個(gè)第三庫Sklearn，它是屬于python的第三方庫，今天的講解也是基于python-IDE來進(jìn)行講解的。

安裝python3.6.*

安裝python開發(fā)的IDE環(huán)境

首先應(yīng)該安裝sklearn所需依賴的第三庫，包括scipy、numpy、matplotlib、pandas，安裝以上四個(gè)庫以后最后安裝sklearn

首先應(yīng)該加載訓(xùn)練模型所用的數(shù)據(jù)集

采用合適的比例將數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試

選取合適或者創(chuàng)建合適的訓(xùn)練模型

將訓(xùn)練集中的數(shù)據(jù)輸入到模型中進(jìn)行訓(xùn)練

通過第四步的訓(xùn)練大致確定模型所用的合理參數(shù)

將測(cè)試集中的數(shù)據(jù)輸入到模型中，根據(jù)模型得到的結(jié)果和真實(shí)的結(jié)果進(jìn)行比較再次調(diào)整參數(shù)

1. 加載sklearn中的數(shù)據(jù)集datasets

   from sklearn import datasets
   iris = datasets.load_iris() # 鳶尾花卉數(shù)據(jù)
   digits = datasets.load_digits() # 手寫數(shù)字8x8像素信息數(shù)據(jù)
   
   

2. 查看數(shù)據(jù)的信息

print（iris.data[:4]） # 查看數(shù)據(jù)的特征信息
print iris.data.shape） # 查看數(shù)據(jù)的特征信息維度

print（iris.target_names）# 查看標(biāo)簽對(duì)應(yīng)的文本
print （iris.target[:4] ）# 查看數(shù)據(jù)的標(biāo)簽 setosa:0 ...

3. 訓(xùn)練集和分割集的分割

from sklearn.model_selection import train_test_split

X = digits.data # 特征矩陣
y = digits.target # 標(biāo)簽向量

# 隨機(jī)分割訓(xùn)練集和測(cè)試集：
# test_size：設(shè)置測(cè)試集的比例。random_state:可理解為種子，保證隨機(jī)唯一
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=1/3., random_state=8) 

from sklearn import datasets
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split

iris = datasets.load_iris()
X = iris.data
y = iris.target

# 新建一個(gè)模型(參數(shù)默認(rèn))
iris_model = LinearRegression()

# 分割訓(xùn)練集、測(cè)試集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=1/3., random_state=7)

# 訓(xùn)練該模型
iris_model.fit(X_train,y_train)

# 返回模型參數(shù)列表
print(iris_model.get_params())

# 模型在訓(xùn)練集上的評(píng)分
print(iris_model.score(X_train, y_train))

# 模型在測(cè)試集上的評(píng)分
print(iris_model.score(X_test, y_test))

# 使用模型進(jìn)行預(yù)測(cè)
y_pred = iris_model.predict(X_test)

print("預(yù)測(cè)標(biāo)簽：", y_pred[:3])
print("真實(shí)標(biāo)簽：", y_test[:3])



# 使用pickle保存模型
import cPickle as pickle

with open("LR_model.pkl", "w") as f:
pickle.dump(iris_model, f)
# 重新加載模型進(jìn)行預(yù)測(cè)
with open("LR_model.pkl", "r") as f:
model = pickle.load(f)

# 使用模型進(jìn)行預(yù)測(cè)
model.predict(X_test)[:3]