使用scikit-learn训练可用于iOS上的coreML模型

最新推荐文章于 2024-11-14 22:20:51 发布

翻译最新推荐文章于 2024-11-14 22:20:51 发布 · 1k 阅读

文章标签：

#机器学习 #iOS

本文探讨了从Turicreate转向Scikit-learn的原因，Turicreate虽简化了机器学习流程，但限制了算法选择和模型性能。Scikit-learn提供了丰富的数据集和算法，有助于深入学习机器学习原理并提升模型效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

为什么不想再用turicreate？

在之前的学习中，主要使用的是python的turicreate框架来生成iOS上的机器学习模型.mlmodel文件。苹果从WWDC2017年开始就致力于不断降低iOS开发者使用机器学习技术的难度，降低开发者们学习机器学习知识的学习成本，因此推出了python上的turicreate框架，可以几行代码之内就可以完成训练、测试、生成模型，还有用在xcode上的createML，直接用可视化UI训练模型。这样做的好处确实极大减轻了开发者们的学习负担，但坏处也显而易见，除了让人们对机器学习内在知识一无所知，更因为其封装的很多参数和算法既定，不能给我们提供很大的选择空间，故而在很多场景下不能最大化发挥机器学习的算法优势，导致性能达不到我们预想的标准。因此，turicreate作为一个很方便的工具，但终究要再学习的过程中被抛弃。

为什么使用Scikit-learn

sklearn中包含了大量的优质的数据集和大量的算法选择，在你学习机器学习的过程中，你可以通过使用这些数据集和算法实现出不同的模型，从而提高你的动手实践能力，同时这个过程也可以加深你对理论知识的理解和把握。（另一点是因为再实验室时学长学姐在发cv论文的时候都是用到了这个，也是不明觉厉。。。。）

一张图说明了sklearn里面有多少种算法可供选择，其中箭头表示的是根据不同需求寻找不同算法的路线

使用sklearn训练一个线性回归模型

import pandas as pd
from sklearn import model_selection
from sklearn import linear_model

pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。

adver = pd.read_csv("Advertising.csv", usecols=[1,2,3,4])
adver.head()

Out[5]:

	TV	radio	newspaper	sales
0	230.1	37.8	69.2	22.1
1	44.5	39.3	45.1	10.4
2	17.2	45.9	69.3	9.3
3	151.5	41.3	58.5	18.5
4	180.8	10.8	58.4	12.9

x表示前三列的input数据，y表示最后一列的output数据。并对数据集进行分割

x,y = adver.iloc[:, :-1], adver.iloc[:, -1]
x_train, x_test, y_train, y_test = model_selection.train_test_split(x, y, test_size=0.25,random_state=42)

创建一个线性回归(linear regression)模型；fit方法表示训练模型；score对模型进行评价

regr = linear_model.LinearRegression() # 1
regr.fit(x_train, y_train)    # 2
regr.score(x_test, y_test)    # 3

Out[8]: 0.8935163320163657

可以看到这个线性回归模型的得分为0.89分。

输出测试结果

X_new = [[ 50.0, 150.0, 150.0],
         [250.0,  50.0,  50.0],
         [100.0, 125.0, 125.0]]
regr.predict(X_new)

Out[9]: array([34.15367536, 23.83792444, 31.57473763])

使用sklearn训练一个svm模型

from sklearn import svm

svr = svm.LinearSVR(random_state=42)
svr.fit(x_train, y_train)
svr.score(x_test, y_test)

Out[11]: 0.8665383823569167

可以看出这个svm模型的得分是0.87分，两个模型性能相似，线性回归略微占优，这是由于svm算法仅仅考虑距离分解线最近的向量(support vector)的特性而导致的。

svr.predict(X_new)

Out[12]: array([25.86174666, 21.5094961 , 24.77368402])

导出coreML的mlmodel文件

import coremltools

input_features = ["tv", "radio", "newspaper"]
output_feature = "sales"

model = coremltools.converters.sklearn.convert(regr, input_features, output_feature)

# Set model metadata
model.author = 'Xiao Liang'
model.license = 'BSD'
model.short_description = 'Predicts the price of a house in the Beijing area.'

# Set feature descriptions manually
model.input_description['tv'] = 'Ads price spent on tv'
model.input_description['radio'] = 'Ads price spent on radio'
model.input_description['newspaper'] = 'Ads price spent on newspaper'

# Set the output descriptions
model.output_description['sales'] = 'Price of the house'

model.save("MyAdversising.mlmodel")

python部分的代码到此为止，接下来是在xcode上的使用，核心代码就三句：一句传入输入，一句定义输出，一句取出输出。完成啦。

let input = MyAdvertisingInput(tv: tv, radio: radio, newspaper: newspaper)
    
guard let output = try? advertising.prediction(input: input) else {
    return
}
    
let sales = output.sales

参考文档：https://www.raywenderlich.com/174-beginning-machine-learning-with-scikit-learn