Wie verwende ich die MySQL-Datenbank für maschinelle Lernaufgaben?

Wie verwende ich die MySQL-Datenbank für maschinelle Lernaufgaben?

Mit dem Aufkommen des Big-Data-Zeitalters wurden Algorithmen für maschinelles Lernen in verschiedenen Bereichen weit verbreitet eingesetzt. Als eines der zentralen Werkzeuge zur Datenspeicherung und -verwaltung spielt auch die MySQL-Datenbank eine wichtige Rolle. Wie nutzt man also die MySQL-Datenbank für maschinelle Lernaufgaben? In diesem Artikel werden die Leser in gängige Methoden zur Verwendung von MySQL-Datenbanken für maschinelle Lernaufgaben eingeführt und entsprechende Codebeispiele bereitgestellt.

1. Datenvorbereitung

Bevor Sie maschinelle Lernaufgaben ausführen, müssen Sie zunächst Datensätze vorbereiten, die für Training und Tests verwendet werden können. In der MySQL-Datenbank können Sie mithilfe von SQL-Anweisungen Daten abfragen und die Ergebnisse in Dateien im CSV- oder JSON-Format exportieren. Im Folgenden finden Sie einen Beispielcode zum Abrufen von Daten aus einer MySQL-Datenbank und zum Speichern der Ergebnisse als CSV-Datei:

import pandas as pd
import pymysql.cursors

# 连接MySQL数据库
connection = pymysql.connect(
    host='localhost',
    user='root',
    password='your_password',
    db='your_database',
    charset='utf8mb4',
    cursorclass=pymysql.cursors.DictCursor
)

# 执行SQL查询语句
sql = "SELECT * FROM your_table"
df = pd.read_sql(sql, connection)

# 保存数据为CSV文件
df.to_csv('data.csv', index=False)

2. Laden und Vorverarbeiten der Daten

Nach dem Lesen des Datensatzes müssen die Daten geladen und vorverarbeitet werden. Dazu gehören Vorgänge wie die Datenbereinigung und das Auffüllen fehlender Werte. Das Folgende ist ein Beispielcode zum Laden von Daten und zur Vorverarbeitung:

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

# 加载数据
df = pd.read_csv('data.csv')

# 分离特征和标签
X = df.drop('label', axis=1)
y = df['label']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

# 特征标准化
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

3. Modelltraining und -bewertung

Nach Abschluss des Ladens und der Vorverarbeitung der Daten können Sie den Algorithmus für maschinelles Lernen verwenden, um das Modell zu erstellen, zu trainieren und auszuwerten. Im Folgenden finden Sie einen Beispielcode für das Modelltraining und die Bewertung mithilfe des logistischen Regressionsalgorithmus:

from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

# 创建模型
model = LogisticRegression()

# 模型训练
model.fit(X_train, y_train)

# 模型预测
y_pred = model.predict(X_test)

# 模型评估
accuracy = accuracy_score(y_test, y_pred)
print('Accuracy:', accuracy)

Speichern und Laden des Modells

Nach Abschluss des Trainings kann das Modell zur späteren Verwendung in der MySQL-Datenbank gespeichert werden. Im Folgenden finden Sie einen Beispielcode zum Speichern des Modells in einer MySQL-Datenbank:

import pickle
import pymysql.cursors

# 保存模型
with open('model.pkl', 'wb') as f:
    pickle.dump(model, f)

# 连接MySQL数据库
connection = pymysql.connect(
    host='localhost',
    user='root',
    password='your_password',
    db='your_database',
    charset='utf8mb4',
    cursorclass=pymysql.cursors.DictCursor
)

# 保存模型到数据库
with open('model.pkl', 'rb') as f:
    model_data = f.read()

sql = "INSERT INTO your_table (model) VALUES (%s)"
connection.execute(sql, (model_data,))
connection.commit()

Wenn das Modell zur Vorhersage geladen werden muss, kann das Modell aus der MySQL-Datenbank gelesen, geladen und verwendet werden. Im Folgenden finden Sie einen Beispielcode zum Laden eines Modells aus einer MySQL-Datenbank und zum Treffen von Vorhersagen:

import pickle
import pymysql.cursors

# 连接MySQL数据库
connection = pymysql.connect(
    host='localhost',
    user='root',
    password='your_password',
    db='your_database',
    charset='utf8mb4',
    cursorclass=pymysql.cursors.DictCursor
)

# 加载模型
sql = "SELECT model FROM your_table"
connection.execute(sql)
model_data = connection.fetchone()['model']
model = pickle.loads(model_data)

# 使用模型进行预测
y_pred = model.predict(X_test)

Das Obige sind gängige Methoden und entsprechende Codebeispiele für die Verwendung von MySQL-Datenbanken für maschinelle Lernaufgaben. Ich hoffe, dass dieser Artikel den Lesern hilft und flexibel in der Praxis eingesetzt werden kann. Maschinelles Lernen ist ein Prozess des kontinuierlichen Lernens und Erforschens. Ich hoffe, dass die Leser weiterhin neue Methoden und Technologien erforschen und ihre Fähigkeiten im Bereich des maschinellen Lernens verbessern können.

Das obige ist der detaillierte Inhalt vonWie verwende ich die MySQL-Datenbank für maschinelle Lernaufgaben?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!