機器學習過程

機器學習過程

1.載入資料集

from sklearn import databases#載入sklearn的資料集

databases.load_boston()#載入波士頓房價的資料集

databases.load_iris()#載入鳶尾花資料集

databases.load_digits()#載入手寫識別數字的資料集

data.data為樣本資料,data.target類別資料

2.資料分割

from sklearn.model_selection import train_test_split#引入分割資料方法

x_train,x_test,y_train,y_test = train_test_spilt(data.data,data.target,test_size=0.2,random_state=0)#

3.選擇模型

(1).knn

from sklearn import neighbors

clf = neighbors.kneighborsclassifier(n_neighbors, weights=weights)

(2).決策樹

from sklearn import tree

clf = tree.decisiontreeclassifier()

(3).k-means

from sklearn.cluster import kmeans

kmeans = kmeans(init=『k-means++』, n_clusters=n_digits, n_init=10)

(4).樸素貝葉斯

from sklearn.*****_bayes import gaussiannb

gnb = gaussiannb()

(5).線性回歸

from sklearn import linear_model

reg = linear_model.linearregression()

4.模型的訓練

model.fit(x_train,y_train)

5.模型的**

model.predict(x_test)

6.模型的評測

(1).精度 precision_score

(2).召回率 recall_score

(3).f1得分 f1_score

(4).準確率 accuracy_score

from sklearn.metrics import precision_score,

recall_score,accuracy_score, f1_score

(5).交叉驗證

from sklearn.model_selection import cross_val_score

scores = cross_val_score(svc,x,y,cv=10,scoring=』』)

7.模型的儲存

from sklearn.externals import joblib

joblib.dump(svc, 『d:/filename.pkl』)

svc1 = joblib.load(『d:/filename.pkl』)

print(svc1.score(x_test, y_test))

Spark機器學習過程梳理

最近半個月開始研究spark的機器學習演算法，由於工作原因，其實現在還沒有真正開始機器學習演算法的研究，只是做了前期大量的準備，現在把早年學習的，正在學習的和將要學習的一起做個梳理，整理乙個spark機器學習完整流程。本文推薦的書籍注重通俗和實戰。linux的學習推薦 鳥哥的linux私房菜 基礎篇...

機器學習的過程總結

機器學習的過程總結 機器學習的過程總結 提供樣本 d為標籤 建模 假設x與d的關係 y ax b 多元線性回歸 評價y與d的接近程度 loss loss y d 2 優化過程 迴圈迭代 獲取一批樣本xi di 計算dloss xi,di dw 此時的xi和di只是placeholder 執行優化 w...

我的機器學習過程

我的理論學習過程 我在學習機器學習演算法的時候，有乙個主線，就是文字分類，我從網上找到了很多文字的資料集，我在學習大部分演算法的時候都用了機器學習演算法進行文字分類，比如貝葉斯，決策樹，lr，整合學習，lsa knn，plsa knn乃至後面的深度學習方法。做實驗時，比較各中演算法。這樣在乙個主線的...