Scikit-Learn 库简介

相似文件 换一批

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

以下内容转自 数析学院，只节选了部分，有需要的同学可以直接查看原文

下面将向大家介绍 Python 中大名鼎鼎的机器学习工具库 Scikit-Learn。
为了使大家能更加清晰地了解 Scikit-Learn 中的相关功能，我们先对本节要用到的实例数据集 iris 做一个简单的介绍：

1. import seaborn as sns
   
2. iris = sns.load_dataset('iris')
   
3. iris.head()

复制代码

iris 是机器学习分类研究中常用的一个经典数据集，可以看到，这个数据集包含了鸢尾花萼片与花瓣的长宽信息，并且包含了每一株鸢尾花的种类标记。利用 Seaborn 库，我们可以绘制下列样本特征分布图，来查看样本在不同特征维度下的分布情况：

1. %matplotlib inline
   
2. import seaborn as sns; sns.set()
   
3. sns.pairplot(iris, hue='species', size=1.5);

复制代码

为了更方便地使用 Python 中机器学习的相关工具，我们有必要对样本的特征数据与分类标记进行一下划分，将其分别保存为 X_iris 与 y_iris：

1. X_iris = iris.drop('species', axis=1)
   
2. X_iris.shape

复制代码

(150, 4)

1. y_iris = iris['species']
   
2. y_iris.shape

复制代码

(150,)
好了，准备工作已经就绪，现在我们先把这份数据放在一边。为了更好地介绍 Scikit-Learn ，我们先来看一下线性回归模型的构建方法：我们构建了如下示例数据：

1. import matplotlib.pyplot as plt
   
2. import numpy as np
   
3. 
   
4. rng = np.random.RandomState(42)
   
5. x = 10 * rng.rand(50)
   
6. y = 2 * x - 1 + rng.randn(50)
   
7. plt.scatter(x, y);

复制代码

导入 Scikit-Learn 中的对应模块：

1. from sklearn.linear_model import LinearRegression

复制代码

模型参数设置：

1. model = LinearRegression(fit_intercept=True)
   
2. model

复制代码

LinearRegression(copy_X=True, fit_intercept=True, n_jobs=1, normalize=False)

1. X = x[:, np.newaxis]
   
2. X.shape

复制代码

(50, 1)
模型拟合：

1. model.fit(X, y)

复制代码

LinearRegression(copy_X=True, fit_intercept=True, n_jobs=1, normalize=False)
线性回归参数估计结果：

1. model.coef_

复制代码

array([ 1.9776566])

1. model.intercept_

复制代码

-0.90331072553111458
后文还有介绍 Scikit-Learn 的几个机器学习的常用工具，内容较多，先搬运到这，有需要的同学可以先直接到 数析学院 查看原文

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：scikit-learn Learn Earn ear SCI