機器學習演算法的使用以及實踐到應用

機器學習演算法的使用

scikit-learn實現了機器學習的大部分基礎演算法，讓我們快速了解一下。

1.邏輯回歸大多數問題都可以歸結為二元分類問題。這個演算法的優點是可以給出數據所在類別的概

率。

from sklearn import metrics

from sklearn.linear_model import LogisticRegression model = LogisticRegression()

model.fit(X, y)

print(model)

# make predictions

expected = y

predicted = model.predict(X)

# summarize the fit of the model

print(metrics.classification_report(expected, predicted)) print(metrics.confusion_matrix(expected, predicted))

結果:

2.樸素貝葉斯這也是著名的機器學習演算法，該方法的任務是還原訓練樣本數據的分布密度，其在多類

別分類中有很好的效果。

from sklearn import metrics

from sklearn.naive_bayes import GaussianNB

model = GaussianNB()

model.fit(X, y)

print(model)

# make predictions

expected = y

predicted = model.predict(X)

# summarize the fit of the model print(metrics.classification_report(expected, predicted)) print(metrics.confusion_matrix(expected, predicted))

結果:

3.k近鄰

k近鄰演算法常常被用作是分類演算法一部分，比如可以用它來評估特徵，在特徵選擇上我

們可以用到它。

from sklearn import metrics

from sklearn.neighbors import KNeighborsClassifier

# fit a k-nearest neighbor model to the data

model = KNeighborsClassifier()

model.fit(X, y)

print(model)

# make predictions

expected = y

predicted = model.predict(X)

# summarize the fit of the model print(metrics.classification_report(expected, predicted)) print(metrics.confusion_matrix(expected, predicted))

結果:

4.決策樹

分類與回歸樹(Classification and Regression Trees ,CART)演算法常用於特徵含有類

別信息的分類或者回歸問題，這種方法非常適用於多分類情況。

from sklearn import metrics

from sklearn.tree import DecisionTreeClassifier

# fit a CART model to the data

model = DecisionTreeClassifier()

model.fit(X, y)

print(model)

# make predictions

expected = y

predicted = model.predict(X)

# summarize the fit of the model print(metrics.classification_report(expected, predicted)) print(metrics.confusion_matrix(expected, predicted))

結果:

5.支持向量機

SVM是非常流行的機器學習演算法，主要用於分類問題，如同邏輯回歸問題，它可以使用

一對多的方法進行多類別的分類。

from sklearn import metrics

from sklearn.svm import SVC

# fit a SVM model to the data

model = SVC()

model.fit(X, y)

print(model)

# make predictions

expected = y

predicted = model.predict(X)

# summarize the fit of the model print(metrics.classification_report(expected, predicted)) print(metrics.confusion_matrix(expected, predicted))

結果:

除了分類和回歸演算法外，scikit-learn提供了更加複雜的演算法，比如聚類演算法，還實 現了演算法組合的技術，如Bagging和Boosting演算法。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！