人工智能入门——机器学习小案例(二)_机器学习实例

1、机器学习数据预处理

简介：案例使用数据集iris
Iris鸢尾花数据集是一个经典的数据集，在统计学习和机器学习领域经常被作为示例。鸢尾花数据集简单且具有代表性

使用python进行基本的数据操作

1. iris数据加载

from sklearn import datasets
iris = datasets.load_iris()
print(iris.data)
1
2
3

2. 数据展示

# 输出属性名称
print(iris.feature_names)
# 输出的结果
print(iris.target)
# 结果的含义
print(iris.target_names)
1
2
3
4
5
6

3. 确认数据维度与类型

# 确认数据类型是否一致
print(type(iris.data))
print(type(iris.target))
#确认属性数据与结果数据维度是否一致
print(iris.data.shape)
print(iris.target.shape)
1
2
3
4
5
6

4. 使用scikit-learn进行数据处理的四个关键点
   1、区分开属性数据与结果数据
   2、属性数据与结果数据都是量化的
   3、运算过程中，属性数据与结果数据的类型都是NumPy数组
   4、属性数据与结果数据的维度是对应的

实现模型训练

分类问题介绍：根据数据集目标的特征或属性，划分到已有的类别中，常用的分类算法：K近邻(KNN)、逻辑回归、决策树、朴素贝叶斯

1. K近邻分类模型(KNN)介绍
   给定一个训练数据集，对新的输入实例，在训练集中找到于该实例最邻近的K个实例(也就是上面所说的K个邻居)，这K个实力的多数属于某个类，就把该输入实例分类到这个类中，KNN算法也是最简单的机器学习算法之一
2. 使用scikit-learn进行模型训练与预测的四步骤
   1、调用需要使用的模型类
   2、模型初始化(船舰一个模型实例)
   3、模型训练
   4、模型预测
3. 实际操作
   ① 引入数据并进行模型调用

# 通过sklearn自带数据包加载iris数据
from sklearn import datasets
# 模型调用
from sklearn.neighbors import KNeighborsClassifier
iris = datasets.load_iris()
# 样本数据与结果分别赋值给x、y
x = iris.data
y = iris.target
1
2
3
4
5
6
7
8

② 创建实例并训练模型

# 创建实例
knn = KNeighborsClassifier(n_neighbors=1)
# 模型训练
knn.fit(x,y)
1
2
3
4

③ 预测一个随机模型进行检查

knn.predict([[1,2,3,4]])
1

结果：

④ 更换k值为5进行训练模型并预测

x_test = [[1,2,3,4],[2,4,1,2]]
knn_5 = KNeighborsClassifier(n_neighbors=5)
knn_5.fit(x,y)
knn_5.predict(x_test)
1
2
3
4

结果：