Python中的傳統機器學習實例

Python是目前最受歡迎的程式語言之一，也是機器學習領域的重要工具之一。傳統機器學習是機器學習領域的重要分支，它致力於透過歷史資料的學習，建立一個模型來預測和分類新資料。本文將介紹Python中的一些標準傳統機器學習實例。

1. 線性迴歸（Linear Regression）

線性迴歸是用來估計兩個變數之間關係的方法。它基於觀察到的數據點之間的線性關係，使用最小二乘法來計算出最優直線擬合。 Python中，scikit-learn是一個用於機器學習的函式庫，它包括了許多常用的機器學習演算法，包括線性迴歸。

範例：

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)

在上述範例中，首先import了LinearRegression（線性迴歸）函數與train_test_split函數，train_test_split函數用於拆分資料集，將資料集分為訓練資料集和測試資料集。接著初始化了一個線性迴歸模型對象，將訓練資料集送入模型進行訓練fit()。模型訓練完畢後，在測試資料集上做預測。

2. 決策樹（Decision Tree）

決策樹演算法是一種非參數機器學習演算法。它透過樹狀圖的形式，對資料進行視覺化，幫助我們更好地理解關於資料集的資訊。我們可以使用樹來進行預測，使其成為樹形模型。 Python中，決策樹模型的實作也非常簡單，我們只需要導入DecisionTreeClassifier即可。

範例：

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)

在上述範例中，我們先導入DecisionTreeClassifier函數和accuracy_score函數，max_depth為決策樹的深度，X_train和y_train為訓練數據，X_test和y_test為測試資料。然後使用fit()函數擬合模型，用predict()函數預測模型結果。

3. 支援向量機（Support Vector Machine, SVM）

#支援向量機演算法是一種分類演算法，它可以在訓練資料和測試資料之間找到一個最佳的邊界線（即決定邊界），並透過該邊界線將測試資料劃分為兩個不同的類別。 Python中，我們可以使用svm.SVC函數來實作SVM。

範例：

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)

在上述範例中，我們使用svm.SVC來初始化一個SVM分類器模型，指定kernel為線性和gamma的值為auto。並將訓練資料集匯入模型進行模型訓練，使用predict()函數在測試資料集上進行預測。使用score()函數計算模型精確度分數。

總結：

以上是三種傳統機器學習的實作。這些機器學習方法是廣泛應用於許多領域的。在Python中，使用scikit-learn函式庫能夠快速有效地實現傳統機器學習模型，並得到具體數位化結果。

以上是Python中的傳統機器學習實例的詳細內容。更多資訊請關注PHP中文網其他相關文章！