機器學習與計算機視覺（sklearn快速上手）

很多熟悉機器學習的同學，都知道python下面有乙個sklearn的庫。這個庫使用起來很簡單，不但功能多演算法全，而且很多引數都是預設的，使用的時候直接呼叫就可以了。我建議大家，如果是生產使用就直接使用sklearn演算法庫好了，如果是自己練習的話，還是一步一步去練習和分析具體的演算法內容。

sklearn到底有多方便，下面，我們就以一段**加以說明。

#!/usr/bin/python
import os
import sys
import re
from sklearn import datasets
from sklearn.linear_model import logisticregression
from sklearn.*****_bayes import gaussiannb
from sklearn import svm
from sklearn.ensemble import gradientboostingclassifier
from sklearn import tree
from sklearn.neighbors import kneighborsclassifier
from sklearn.ensemble import randomforestclassifier
'''get data here
'''def get_datasets():
iris = datasets.load_iris()
x = iris.data
y = iris.target
return x, y
'''logistic regression classifer
'''def get_logistic_classifier(attr, label):
lr = logisticregression()
lr.fit(attr, label)
return lr
'''bayes classifier
'''def get_gaussian_classifier(attr, label):
gnb = gaussiannb()
gnb.fit(attr, label)
return gnb
'''svm classifier
'''def get_svm_classifier(attr, label):
s = svm.svc()
s.fit(attr, label)
return s
'''gradient boosting decision tree classifier
'''def get_gbdt_classifier(attr, label):
gbdt = gradientboostingclassifier()
gbdt.fit(attr, label)
return gbdt
'''decision tree classifier
'''def get_tree_classifier(attr, label):
dt = tree.decisiontreeclassifier()
dt.fit(attr, label)
return dt
'''knn classifier
'''def get_knn_classifier(attr, label):
knn = kneighborsclassifier()
knn.fit(attr, label)
return knn
'''random forest classifier
'''def get_rf_classifier(attr, label):
rf = randomforestclassifier()
rf.fit(attr, label)
return rf
'''check data accuracy by classifier
'''def check_data(cf, attr, label):
num = len(attr)
if 0 == num:
print 'no data found'
return
count = 0
for i in range(num):
if cf.predict(attr[i]) == label[i]:
count += 1
print 'accuracy is ' + str(count * 100.0 / num) + '%\n'
'''file start function
'''def main():
x, y = get_datasets()
#cf = get_logistic_classifier(x[0:120], y[0:120])
#cf = get_gaussian_classifier(x[0:120], y[0:120])
#cf = get_svm_classifier(x[0:120], y[0:120])
#cf = get_gbdt_classifier(x[0:120], y[0:120])
#cf = get_tree_classifier(x[0:120], y[0:120])
#cf = get_knn_classifier(x[0:120], y[0:120])
cf = get_rf_classifier(x[0:120], y[0:120])
check_data(cf, x[120:150], y[120:150])
if __name__ == '__main__':
main()

上面這段**不是很長，但是包含的內容還是很多的。首先，我們從iris那裡獲取資料，接著利用iris資料進行演算法建模，最後對iris部分資料進行分類判斷。在演算法建模的時候，我們使用了logistic回歸、bayes、svm、gbdt、決策樹、knn、隨即森林等多種學習方法，大家可以根據自己的需要comment和uncommet掉對應的**即可。在使用演算法的時候，我們沒有修改引數，如果對某些演算法特別熟悉，大家可以設定不同的模型引數依次進行分析和練習。**雖然不複雜，但是對自己快速入門還是大有裨益的。

機器學習與計算機視覺（sklearn快速上手）

（計算機視覺）計算機視覺基礎

計算機視覺與機器視覺有什麼區別？

計算機視覺與深度學習公司

機器學習與計算機視覺（sklearn快速上手）

（計算機視覺）計算機視覺基礎

計算機視覺與機器視覺有什麼區別？

計算機視覺與深度學習公司

相關推薦