Python-机器学习①
- 2026-10-12 11:46:44
Python-机器学习①Python里用于机器学习的库是scikit-learn.
计算机的底层结构是0和1，只能按照我们写好的规则执行。 机器学习是模仿我们人的学习能力，让计算机基于大量的数据和答案自动挖掘潜在的规律，不断进行迭代，从而实现对未知数据做出正确的行为。 在这个过程中计算机迭代出来的模型性能，等同于我们人的学习能力。 这个模型的学习的来源是“数据”。 机器学习过程可以概括为： 准备数据→模型训练→模型使用→模型评价。 数据是模型的基础，我们将带有标签的数据（带有正确答案的数据）的学习过程称为监督学习，分为分类和回归。 带标签的数据就像一个方程y-x,每一个X都有一个y与其对应。，，
另外一种是只有X,没有对应的Y，计算机自动学习的过程为无监督学习。分为聚类和降维。 聚类是将一组数据分为不同的组，使用每一组的数据尽可以相似。有K-均值法，将数据分为k个组；基于密度的DBSCAN类。可用于客户分群，文档聚类。 降维，从一堆维度中找到影响比较大的维度，使用PCA主成分分析法。将高维数据投影到低维的空间。
模型评价： 回归类的模型是基于连续的自变量看因变量如何变化，预测结果是一个数值，预测值和实际值的差值就可以用来评价模型的性能。 我们用到的指标有MSE(mean-squared-error)均方误差和决定系数R²。MSE越小，模型越准确。决定系数R²越接近1，表示模型对数据的拟合程度越好。这类模型可用来预测下个月产品的销量以及房价。 分类的模型，输出的是离散变量。输出一个类型。以常见的2分类（A,B)为例。对于A项，模型即可以预测它为A,也可能为B,同理对B的预测也是有2种更可能。A项预测为B，写AB。我们定义精确率为(AA+BB)/(AA+AB+BA+BB),所有样本中预测正确的比例。 精确率（Precision)：预测为“正类”的样本中，真正为正的比例，关注预测为正是否靠谱。 召回率（Recall）：所有实际为“正类”的样本中，被模型识别出来的概率 F1分数是精确率和召回率的调和平均值=2*P*R/(P+R)
在程序编写过程中，先引用模块importxx, 然后model=引用的模块；模块训练model.fit()；数据预测model.predict()；model.score()模型评估。
以模仿神经元建立的神经网络也属于机器学习的范畴。因神经网络的层数多时的学习，我们称之为深度学习。这是现在很多牛逼的功能的重点区域了。 --未完待续
#Python学习，#机器学习，#记录生活 命运的微妙，被我不断地自我觉察到了时，我就在走选择自己路。
Day 4
本文来自网友投稿或网络内容，如有侵犯您的权益请联系我们删除，联系邮箱：596563534@qq.com 。
