python的科学计算库（用Python做科学计算工具篇）

威哥 2023-04-10 08:07:40 725

python的科学计算库（用Python做科学计算工具篇）在 scikit-learn 中实现的机器学习算法期望数据存储在二维数组或矩阵中。数组可以是numpy数组，或者在某些情况下是scipy.sparse矩阵。数组的大小预计为[n_samples n_features]同样，这是一个将模型拟合到数据的示例，但我们这里的重点是模型可以对新数据进行概括。该模型是从训练数据中学习的，可以用来预测测试数据的结果：在这里，我们可能会得到一个 x 值，而模型可以让我们预测 y 值。我们将在这里看两个非常简单的机器学习任务。第一个是分类任务：图中显示了二维数据的集合，根据两个不同的类标签着色。分类算法可用于在两个点簇之间绘制划分边界：通过绘制这条分隔线，我们学习了一个可以泛化到新数据的模型：如果您将另一个点放到未标记的平面上，该算法现在可以预测它是蓝色点还是红色点。我们将看到的下一个简单任务是回归任务：一组数据的简单最佳拟合线。

python的科学计算库（用Python做科学计算工具篇）(1)

所需基本库

NumPy
scipy
matplotlib

全章目录【本节简介：问题设置】

简介：问题设置
使用 scikit-learn 进行机器学习的基本原理
监督学习：手写数字的分类
监督学习：住房数据的回归
测量预测性能
无监督学习：降维和可视化
特征脸示例：链接 PCA 和 SVM
特征脸示例：链接 PCA 和 SVM
参数选择、验证和测试

6.1.简介：问题设置6.1.1. 什么是机器学习？

机器学习是关于构建具有自动调整参数的可调参数的程序，以便通过适应先前看到的数据来改善它们的行为。

机器学习可以被认为是人工智能的一个子领域，因为这些算法可以被看作是构建块，通过某种方式使计算机学会更智能地表现，而不是像数据库系统那样仅仅存储和检索数据项。

python的科学计算库（用Python做科学计算工具篇）(2)

分类问题

我们将在这里看两个非常简单的机器学习任务。第一个是分类任务：图中显示了二维数据的集合，根据两个不同的类标签着色。分类算法可用于在两个点簇之间绘制划分边界：

通过绘制这条分隔线，我们学习了一个可以泛化到新数据的模型：如果您将另一个点放到未标记的平面上，该算法现在可以预测它是蓝色点还是红色点。

python的科学计算库（用Python做科学计算工具篇）(3)

数据矩阵

我们将看到的下一个简单任务是回归任务：一组数据的简单最佳拟合线。

同样，这是一个将模型拟合到数据的示例，但我们这里的重点是模型可以对新数据进行概括。该模型是从训练数据中学习的，可以用来预测测试数据的结果：在这里，我们可能会得到一个 x 值，而模型可以让我们预测 y 值。

6.1.2. scikit-learn 中的数据数据矩阵

在 scikit-learn 中实现的机器学习算法期望数据存储在二维数组或矩阵中。数组可以是numpy数组，或者在某些情况下是scipy.sparse矩阵。数组的大小预计为[n_samples n_features]

n_samples：样本数：每个样本是一个待处理的项目（例如分类）。样本可以是文档、图片、声音、视频、天文物体、数据库或 CSV 文件中的一行，或者您可以用一组固定的数量特征描述的任何内容。
n_features：可用于以定量方式描述每个项目的特征或不同特征的数量。特征通常是实值的，但在某些情况下可能是布尔值或离散值。

特征的数量必须预先确定。然而，它可能是非常高维的（例如数百万个特征），其中大多数对于给定样本都是零。这是scipy.sparse 矩阵有用的情况，因为它们比 numpy 数组更节省内存。

一个简单的例子：鸢尾花数据集应用问题

作为一个简单数据集的例子，让我们看一下 scikit-learn 存储的 iris 数据。假设我们要识别鸢尾花的种类。数据包括对三种不同种类的虹膜的测量：


濑户鸢尾	杂色鸢尾	弗吉尼亚鸢尾

请记住，每个样本必须有固定数量的特征，并且每个样本的特征数量i必须是相似的数量。

使用 Scikit-learn 加载虹膜数据

Scikit-learn 有一组关于这些虹膜物种的非常简单的数据。数据包括以下内容：

鸢尾花数据集中的特征：萼片长度（厘米）萼片宽度（厘米）花瓣长度（厘米）花瓣宽度（厘米）
要预测的目标类：濑户杂色弗吉尼亚

scikit-learn嵌入 iris CSV 文件的副本以及将其加载到 numpy 数组中的函数：

>>>

>>> from sklearn.datasets import load_iris >>> iris = load_iris()

每个样本花的特征存储在data数据集的属性中：

>>>

>>> print(iris.data.shape) (150 4) >>> n_samples n_features = iris.data.shape >>> print(n_samples) 150 >>> print(n_features) 4 >>> print(iris.data[0]) [5.1 3.5 1.4 0.2]

每个样本的类别信息存储在 target数据集的属性中：

>>>

>>> print(iris.target.shape) (150 ) >>> print(iris.target) [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2]

类的名称存储在最后一个属性中，即 target_names：

>>>

>>> print(iris.target_names) ['setosa' 'versicolor' 'virginica']

该数据是四维的，但我们可以使用散点图一次可视化两个维度：

python的科学计算库（用Python做科学计算工具篇）(7)