文章目錄

• 1.sklearn介紹
• 2.基本概括
• • 2.1 估計(jì)器
  • 2.2 轉(zhuǎn)化器
• 3.sklearn中iris鶯尾花數(shù)據(jù)集使用

1.sklearn介紹

Scikit-learn（以前稱為scikits.learn，也稱為sklearn）是針對(duì)Python 編程語言的免費(fèi)軟件機(jī)器學(xué)習(xí)庫 。它具有各種分類，回歸和聚類算法，包括支持向量機(jī)，隨機(jī)森林，梯度提升，k均值和DBSCAN，并且旨在與Python數(shù)值科學(xué)庫NumPy和SciPy聯(lián)合使用。sklearn是一個(gè)Python第三方提供的非常強(qiáng)力的機(jī)器學(xué)習(xí)庫，它包含了從數(shù)據(jù)預(yù)處理到訓(xùn)練模型的各個(gè)方面。在實(shí)戰(zhàn)使用scikit-learn中可以極大的節(jié)省我們編寫代碼的時(shí)間以及減少我們的代碼量，使我們有更多的精力去分析數(shù)據(jù)分布，調(diào)整模型和修改超參。（sklearn為包名）。

2.基本概括

sklearn擁有可以用于監(jiān)督和無監(jiān)督學(xué)習(xí)的方法，一般來說監(jiān)督學(xué)習(xí)使用的更多。sklearn中的大部分函數(shù)可以歸為**估計(jì)器(Estimator)和轉(zhuǎn)化器(Transformer)**兩類。

2.1 估計(jì)器

估計(jì)器(Estimator)其實(shí)就是模型，它用于對(duì)數(shù)據(jù)的預(yù)測或回歸。基本上估計(jì)器都會(huì)有以下幾個(gè)方法：

fit(x,y) :傳入數(shù)據(jù)以及標(biāo)簽即可訓(xùn)練模型，訓(xùn)練的時(shí)間和參數(shù)設(shè)置，數(shù)據(jù)集大小以及數(shù)據(jù)本身的特點(diǎn)有關(guān)
score(x,y)用于對(duì)模型的正確率進(jìn)行評(píng)分(范圍0-1)。但由于對(duì)在不同的問題下，評(píng)判模型優(yōu)劣的的標(biāo)準(zhǔn)不限于簡單的正確率，可能還包括召回率或者是查準(zhǔn)率等其他的指標(biāo)，特別是對(duì)于類別失衡的樣本，準(zhǔn)確率并不能很好的評(píng)估模型的優(yōu)劣，因此在對(duì)模型進(jìn)行評(píng)估時(shí)，不要輕易的被score的得分蒙蔽。
predict(x)用于對(duì)數(shù)據(jù)的預(yù)測，它接受輸入，并輸出預(yù)測標(biāo)簽，輸出的格式為numpy數(shù)組。我們通常使用這個(gè)方法返回測試的結(jié)果，再將這個(gè)結(jié)果用于評(píng)估模型。

2.2 轉(zhuǎn)化器

轉(zhuǎn)化器(Transformer)用于對(duì)數(shù)據(jù)的處理，例如標(biāo)準(zhǔn)化、降維以及特征選擇等等。同與估計(jì)器的使用方法類似:

fit(x,y) :該方法接受輸入和標(biāo)簽，計(jì)算出數(shù)據(jù)變換的方式。
transform(x) :根據(jù)已經(jīng)計(jì)算出的變換方式，返回對(duì)輸入數(shù)據(jù)x變換后的結(jié)果（不改變x）
fit_transform(x,y) :該方法在計(jì)算出數(shù)據(jù)變換方式之后對(duì)輸入x就地轉(zhuǎn)換。
以上僅僅是簡單的概括sklearn的函數(shù)的一些特點(diǎn)。sklearn絕大部分的函數(shù)的基本用法大概如此。但是不同的估計(jì)器會(huì)有自己不同的屬性，例如隨機(jī)森林會(huì)有Feature_importance來對(duì)衡量特征的重要性，而邏輯回歸有coef_存放回歸系數(shù)intercept_則存放截距等等。并且對(duì)于機(jī)器學(xué)習(xí)來說模型的好壞不僅取決于你選擇的是哪種模型，很大程度上與你超參的設(shè)置有關(guān)。因此使用sklearn的時(shí)候一定要去看看官方文檔，以便對(duì)超參進(jìn)行調(diào)整。

3.sklearn中iris鶯尾花數(shù)據(jù)集使用

# sklearn數(shù)據(jù)集的使用load_iris # sklearn拆分?jǐn)?shù)據(jù)集train_test_split # sklearn字典轉(zhuǎn)換器DictVectorizer from sklearn.datasets import load_iris#導(dǎo)入sklearn中的iris數(shù)據(jù)集 from sklearn.model_selection import train_test_split#導(dǎo)入sklearn中的模型拆分;訓(xùn)練集與測試集 from sklearn.feature_extraction import DictVectorizer#導(dǎo)入轉(zhuǎn)換器def datasets_demo():'''sklearn數(shù)據(jù)集使用:return:'''# 獲取數(shù)據(jù)集iris =load_iris()print('鶯尾花數(shù)據(jù)集:\n',iris)print('查看數(shù)據(jù)集描述：\n',iris['DESCR'])print('查看特征值的名字：\n',iris.feature_names)print('查看特征值：\n',iris.data,iris.data.shape)# 數(shù)據(jù)集的劃分x_train,x_test,y_train,y_test=train_test_split(iris.data,iris.target,test_size=0.2,random_state=22)print('訓(xùn)練集的特征值：\n',x_train,x_train.shape)return None def dict_demo():'''字典特征提取：return:'''data=[{'city':'北京','temperature':100},{'city':'上海','temperature':60},{'city':'深圳','temperature':30}]#1.實(shí)例化一個(gè)轉(zhuǎn)換器transfer=DictVectorizer()#2.調(diào)用fit_transform()data_new = transfer.fit_transform(data)print('data_new:\n',data_new)return None if __name__=='__main__':# 代碼1：sklearn數(shù)據(jù)集使用# datasets_demo()# 代碼2：字典特征抽取dict_demo()

總結(jié)

以上是生活随笔為你收集整理的python机器学习--sklearn数据集使用的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。