这 5 个 Scikit-learn 算法还没弄懂，有点尴尬了

最新推荐文章于 2024-07-25 11:55:54 发布

转载最新推荐文章于 2024-07-25 11:55:54 发布 · 399 阅读

点击上方“Python数据之道”，选择“星标公众号”

只收藏文章，不点在看的，都是耍流氓

640?wx_fmt=jpeg

作者 | Python语音识别

来源 | 深度学习与python

介绍 5 个强大的 Scikit-learn 算法

Logistic回归

Logistic回归为概率型非线性回归模型，是研究二分类观察结果 640 与一些影响因素 640 之间关系的一种多变量分析方法。可用于数据分类和曲线拟合回归。

from sklearn.ensemble import LogisticRegressionsoftmax_reg = LogisticRegression（multi_class =“multinomial”，solver =“lbfgs”，C = 5） softmax_reg.fit（X，Y） pred = softmax_reg.predict（X_test） import LogisticRegression

softmax_reg = LogisticRegression（multi_class =“multinomial”，solver =“lbfgs”，C = 5） 
softmax_reg.fit（X，Y） 
pred = softmax_reg.predict（X_test）

640

支持向量机

支持向量机通过构建超平面来对数据集进行分类工作，其内部可采用不同的核函数以满足不同数据分布，目前支持向量机怕是大家最熟悉的一种机器学习算法了吧。

from sklearn.ensemble import svmclf = svm.SVC（gamma ='scale'，decision_function_shape ='ovo'） clf.fit（X，Y） pred = clf.predict（X_test） import svm

clf = svm.SVC（gamma ='scale'，decision_function_shape ='ovo'） 
clf.fit（X，Y） 
pred = clf.predict（X_test）

640

朴素贝叶斯

朴素贝叶斯是经典的机器学习算法之一，也是为数不多的基于概率论的分类算法。朴素贝叶斯也许是本文中讨论的所有模型中最简单的一个。朴素贝叶斯非常适合少量数据的参数估计。朴素贝叶斯应用贝叶斯定理，其假设每个特征之间具有条件独立性。

640

from sklearn.ensemble import GaussianNBclf = GaussianNB（） clf.fit（X，Y） pred = clf.predict（X） import GaussianNB

clf = GaussianNB（） 
clf.fit（X，Y） 
pred = clf.predict（X）

640

随机森林

随机森林是一种基于Bagging的集成学习模型。通过使用Bootstraping从原数据集随机抽取n个子数据集来训练n颗决策树，然后再将n颗决策树结果结合起来形成准确率更高的强学习器。特别是在Kaggle比赛中。随机森林通过在数据集的子样本上拟合决策树分类器。然后综合分类性能以获得高精度，同时避免过度拟合。

from sklearn.ensemble import RandomForestClassifierclf = RandomForestClassifier(n_estimators = 100，max_depth = 2,random_state = 0） clf.fit（X，Y） pred = clf.predict（X）import RandomForestClassifier

clf = RandomForestClassifier(n_estimators = 100，max_depth = 2,random_state = 0） 
clf.fit（X，Y） 
pred = clf.predict（X）

640

AdaBoost

AdaBoost是一种集成学习模型分类器，是典型的Boosting算法，属于Boosting家族的一员。AdaBoost思想是将关注点放在被错误分类的样本上，减小上一轮被正确分类的样本权值，提高那些被错误分类的样本权值。然后，再根据所采用的基学习器进行学习训练。其在sklearn中调用的示例代码如下：

from sklearn.ensemble import AdaBoostClassifierclf = AdaBoostClassifier（n_estimators = 100） clf.fit（X，Y） pred = clf.predict（X）import AdaBoostClassifier

clf = AdaBoostClassifier（n_estimators = 100） 
clf.fit（X，Y） 
pred = clf.predict（X）

640

总结

sklearn是机器学习的一个最佳选择，里面有常用的分类算法、回归算法、无监督算法以及数据处理接口，调用只需几行代码就可以实现你的机器学习模型。通过本次的5个示例，相信你已经能基本掌握sklearn中算法调用方式，在需要调用其它算法时方式都是一样的，希望能对你的机器学习之路有所帮助。

本文详细代码参考Github：

https://translate.googleusercontent.com/translate_c?depth=1&hl=zh-CN&prev=search&rurl=translate.google.com.hk&sl=en&sp=nmt4&u=https://github.com/Poseyy/Articles/tree/master/5SkLearnModels&xid=17259,15700021,15700186,15700190,15700253,15700256,15700259&usg=ALkJrhi6qM1ShHuE5JWexjuMvX0AWcKgDA

sklearn中文文档

http://sklearn.apachecn.org/cn/0.19.0/

-------------------End-------------------

Python数据之道

640?wx_fmt=jpeg