scikit-learn学习总结(python3入门机器学习)

sklearn统一用法

1. 创建算法的实例
2. 训练：fit
3. 预测：predict
4. 输出测试准确率：score（测试集输入，测试集标签） 对于回归模型，score会输出指标R方
   输出测试准确率：test

KNN

分类模型
例子：
两种等价的查看准确率的方式

scalar

scikit-learn中使用scaler保存训练集得到的均值，方差等关键信息，用于对测试数据集进行transform
例子：
1，加载鸢尾花数据集
2，数据查看

然后standardScaler就是训练好的模型了，用transform方法就可以对测试数据进行同样的归一化操作

简单线性回归

原理

knn是分类算法，线性回归是回归算法

基于sklearn的实现

评价回归算法的指标：MSE,RMS,MAE

MSE:即L2损失，误差平方的均值，均方误差
RMSE：均方根误差，即mse开平方
MAE：即L1损失，绝对损失，绝对差损失，平均绝对误差

sklearn中实现MSE和MAE

最好的衡量线性回归的指标R-Squared

读作R方


下面的用法与线性回归（sklearn.linear_model.LinearRegression）中的score功能相同

多元线性回归

有多个特征
不需要对数据进行归一化处理即可得到解

sklearn对线性回归的封装sklearn.Linear_model.LinearRegression

sklearn.Linear_model.LinearRegression

sklearn中KNN回归的封装