Traditionelle Beispiele für maschinelles Lernen in Python

Python ist eine der beliebtesten Programmiersprachen und eines der wichtigsten Werkzeuge im Bereich maschinelles Lernen. Traditionelles maschinelles Lernen ist ein wichtiger Zweig des Bereichs maschinelles Lernen. Es widmet sich der Erstellung eines Modells zur Vorhersage und Klassifizierung neuer Daten durch Lernen aus historischen Daten. In diesem Artikel werden einige Standardbeispiele für traditionelles maschinelles Lernen in Python vorgestellt.

1. Lineare Regression

Die lineare Regression ist eine Methode zur Schätzung der Beziehung zwischen zwei Variablen. Es verwendet die Methode der kleinsten Quadrate, um eine optimale geradlinige Anpassung basierend auf der linearen Beziehung zwischen beobachteten Datenpunkten zu berechnen. In Python ist scikit-learn eine Bibliothek für maschinelles Lernen, die viele häufig verwendete Algorithmen für maschinelles Lernen enthält, einschließlich linearer Regression.

Beispiel:

from sklearn.linear_model import LinearRegression
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=.2)
linreg=LinearRegression()
linreg.fit(X_train,y_train)

Im obigen Beispiel werden zunächst die Funktion LinearRegression (lineare Regression) und die Funktion train_test_split importiert, um den Datensatz in einen Trainingsdatensatz und einen Testdatensatz aufzuteilen. Anschließend wird ein lineares Regressionsmodellobjekt initialisiert und der Trainingsdatensatz zum Trainieren von fit() an das Modell gesendet. Treffen Sie nach dem Training des Modells Vorhersagen zum Testdatensatz.

2. Entscheidungsbaum

Der Entscheidungsbaumalgorithmus ist ein nichtparametrischer Algorithmus für maschinelles Lernen. Es hilft uns, die Informationen über den Datensatz besser zu verstehen, indem es die Daten in Form eines Baumdiagramms visualisiert. Wir können Bäume verwenden, um Vorhersagen zu treffen, und daraus ein Baummodell machen. In Python ist die Implementierung des Entscheidungsbaummodells ebenfalls sehr einfach. Wir müssen lediglich den DecisionTreeClassifier importieren.

Beispiel:

from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score
dt = DecisionTreeClassifier(max_depth=10)
dt.fit(X_train, y_train)
y_pred_dt = dt.predict(X_test)
acc_decision_tree=accuracy_score(y_test, y_pred_dt)

Im obigen Beispiel importieren wir zuerst die Funktion DecisionTreeClassifier und die Funktion precision_score, max_ Depth ist die Tiefe des Entscheidungsbaums, X_train und y_train sind Trainingsdaten und X_test und y_test sind Testdaten. Verwenden Sie dann die Funktion „fit()“, um das Modell anzupassen, und die Funktion „predict()“, um die Modellergebnisse vorherzusagen.

3. Support Vector Machine (SVM)

Der Support Vector Machine-Algorithmus ist ein Klassifizierungsalgorithmus, der eine optimale Grenzlinie (d. h. Entscheidungsgrenze) zwischen Trainingsdaten und Testdaten finden kann. Diese Grenzlinie unterteilt die Testdaten in zwei verschiedene Kategorien. In Python können wir die Funktion svm.SVC verwenden, um SVM zu implementieren.

Beispiel:

from sklearn import svm
svm = svm.SVC(kernel='linear',C=1,gamma='auto')
svm.fit(X_train, y_train)
y_pred_svm = svm.predict(X_test)
svm_score = svm.score(X_test, y_test)

Im obigen Beispiel verwenden wir svm.SVC, um ein SVM-Klassifikatormodell zu initialisieren, wobei wir den Kernel als linear und den Gammawert als auto angeben. Und importieren Sie den Trainingsdatensatz für das Modelltraining in das Modell und verwenden Sie die Funktion Predict(), um Vorhersagen für den Testdatensatz zu treffen. Verwenden Sie die Funktion „score()“, um den Modellgenauigkeitswert zu berechnen.

Zusammenfassung:

Das Obige sind die Implementierungen von drei traditionellen maschinellen Lernverfahren. Diese Methoden des maschinellen Lernens sind in vielen Bereichen weit verbreitet. In Python kann die scikit-learn-Bibliothek verwendet werden, um traditionelle Modelle des maschinellen Lernens schnell und effektiv zu implementieren und spezifische digitale Ergebnisse zu erhalten.

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