Einführung in maschinelles Lernen in Python

maschinelles Lernen ist der Akt, Computern die Fähigkeit zu geben, zu lernen, ohne sie explizit zu programmieren. Dies geschieht, indem Computer Daten an Computer gegeben und die Daten in Entscheidungsmodelle umgewandelt werden, die dann für zukünftige Vorhersagen verwendet werden. Wir werden auch einige Python -Beispiele entwickeln, um bestimmte Elemente oder Ereignisse vorherzusagen. Zum Beispiel können Sie als Mensch lernen, wie man Schach spielt, indem Sie einfach andere Menschen beobachten, die Schach spielen. Auf die gleiche Weise werden Computer programmiert, indem sie ihnen Daten liefern, aus denen sie lernen, und dann in der Lage sind, zukünftige Elemente oder Bedingungen vorherzusagen. Es ist vielleicht einfach, ein solches Programm zu schreiben, und es wird die erforderlichen Ergebnisse liefern, aber Sie können auch feststellen, dass das Programm für große Datensätze nicht effektiv funktioniert. Hier kommt maschinelles Lernen ins Spiel. Vorhersagen

maschinelles Lernen verwendet verschiedene Arten von Algorithmen, um Muster zu finden, und diese Algorithmen werden in zwei Gruppen eingeteilt:

Überlebte Lernen. Es Beispieldaten. Der Computer lernt dann daraus und kann zukünftige Datensätze basierend auf den gelernten Daten vorhersagen. Facebook, um Bilder basierend auf einer bestimmten Beschreibung zu durchsuchen. Sie können jetzt Bilder auf Facebook mit Wörtern durchsuchen, die den Inhalt des Fotos beschreiben. Da die Social -Networking -Site bereits über eine Datenbank mit Titelbildern verfügt, kann sie die Beschreibung mit Features von Fotos mit einem gewissen Grad an Genauigkeit durchsuchen und übereinstimmen.

• Entscheidungsbäume
• Unterstützungsvektormaschinen
• naive Bayes
• k-Nearest Nachbar
• lineare Regression

maschinelles Lernen mit der SKlearn-Bibliothek

maschinelles Lernen mit der SKlearn-Bibliothek

sclearn mit einem SKlearn. Regressions- und Cluster -Algorithmen. Wir werden ein einfaches Programm schreiben, um zu demonstrieren, wie beaufsichtigtes Lernen mit der Sklearn -Bibliothek und der Python -Sprache funktioniert.  

sklearn unterbistet auch gut mit den Numpy- und Scipy -Bibliotheken. Es erfordert mehrere Abhängigkeiten:

• python (& gt; = 3.6),
• numpy (min Version 1.17.3)
• scipy (min Version 1.3.2)

Wenn Sie diese Abhängigkeiten bereits haben, können Sie. einfach Anaconda installieren. Dies kümmert sich um alle Abhängigkeiten, sodass Sie sich keine Sorgen machen müssen, sie nacheinander zu installieren. Wir wollen in der Lage sein, zwischen verschiedenen Tieren zu unterscheiden. Wir werden also einen Algorithmus entwerfen, der speziell feststellen kann, ob ein bestimmtes Tier entweder ein Pferd oder ein Huhn ist. Einige Beispieldaten sind in der folgenden Tabelle angezeigt. Ein Huhn wird durch 0 dargestellt, während ein Pferd durch 1.

pip install -U scikit-learn<br>

Wir definieren dann den Klassifizierer, der auf einem Entscheidungsbaum basiert. Daten. Hier erfahren Sie, wie Sie ein Tier mit einer Höhe von 7 Zoll, einem Gewicht von 0,6 kg und einer Temperatur von 41:

Hier finden Sie wie ein Tier mit einer Höhe von 38 Zoll, einem Gewicht von 600 kg vorherzusagen, und eine Temperatur von 37,5: und das Wissen dieser Daten wird zum Testen neuer Tiere verwendet. 

 Python 3.9.12 (main, Apr  5 2022, 06:56:58) <br>[GCC 7.5.0] :: Anaconda, Inc. on linux<br>Type "help", "copyright", "credits" or "license" for more information.<br>>>> import sklearn<br>>>> <br>

Nach Wikipedia:

In Statistik ist

lineare Regression

ein linearer Ansatz zur Modellierung der Beziehung zwischen einer skalaren Reaktion und einer oder mehreren erklärenden Variablen (auch als abhängige und unabhängige Variablen).

from sklearn import tree<br>

Der Datensatz finden Sie hier. Laden Sie die CSV -Datei in Ihr Arbeitsverzeichnis. Ausgabe:

Wie Sie oben sehen können, enthält die Daten das BIP verschiedener Länder von 1960 bis 2016. Der nächste Schritt besteht darin, das X- und Y-dimensionale Arrays zu erstellen. Modell.

pip install -U scikit-learn<br>

Hier ist das Diagramm:

 Python 3.9.12 (main, Apr  5 2022, 06:56:58) <br>[GCC 7.5.0] :: Anaconda, Inc. on linux<br>Type "help", "copyright", "credits" or "license" for more information.<br>>>> import sklearn<br>>>> <br>

unbeaufsichtigtes Lernen

from sklearn import tree<br>

unbeaufsichtigtes Lernen ist, wenn Sie Ihre Maschine mit nur einer Reihe von Eingaben trainieren. Die Maschine kann dann eine Beziehung zwischen den Eingabedaten und allen anderen, die Sie möglicherweise vorhersagen möchten, finden. Im Gegensatz zum überwachten Lernen, bei dem Sie eine Maschine mit einigen Daten präsentieren, die zum Trainieren ist, soll das nicht überaufgestellte Lernen Muster oder Beziehungen zwischen verschiedenen Datensätzen finden. Daten gruppieren von Natur aus. Sie können beispielsweise die Einkaufsgewohnheiten der Verbraucher klassifizieren und die Daten für Werbung verwenden, indem Sie Verbraucher anhand ihrer Einkäufe und Einkaufsgewohnheiten abzielen. Diese Art des Lernens kann in der Verbindungsbüchern auf der Grundlage des Autors oder der Kategorie anwendbar sein, sei es motivierende, fiktive oder Bildungsbücher. Tutorial hat Ihnen geholfen, mit maschinellem Lernen zu beginnen. Dies ist nur eine Einführung - das Lernen von Machine hat viel zu decken, und dies ist nur ein Bruchteil dessen, was maschinelles Lernen tun kann. Sklearn ist nur eine der Bibliotheken, die im maschinellen Lernen verwendet werden. Andere Bibliotheken umfassen TensorFlow und Keras. 

Zögern Sie außerdem nicht zu sehen, was wir zum Verkauf verfügbar sind, und zum Studium auf dem Umweltmarkt. Bei Betrugsprävention, Personalisierung von News-Feeds auf Social-Media-Websites, um die Einstellungen der Benutzer, die E-Mail- und Malware-Filterung, die Wettervorhersagen und sogar im E-Commerce-Sektor zur Vorhersage von Einkaufsgewohnheiten der Verbraucher zu entsprechen.

features = [[7, 0.6, 40], [7, 0.6, 41], [37, 600, 37], [37, 600, 38]]<br>

Das obige ist der detaillierte Inhalt vonEinführung in maschinelles Lernen in Python. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!