当前位置：首页 > news >正文

AI人工智能（3）：Python 入门机器学习

news 2025/2/12 2:04:51

1 安装必要库

Python 是机器学习中最常用的编程语言之一，因其易于学习、强大的库支持和社区生态系统。接下来，我将逐步说明如何通过 Python 入门机器学习，并介绍需要的一些常用库。

首先，确保你已经安装了 Python，你可以访问Python 官方网站 https://www.python.org/ 下载和安装最新版本。如果你还不熟悉 Python，可以先看之前的python入门教程python_游王子og的博客-CSDN博客。

常用机器学习库：

pip install numpy pandas matplotlib seaborn scikit-learn

如果你打算使用深度学习框架，安装如下：

pip install torch  # 或者
pip install tensorflow

在使用 Python 进行机器学习时，整个过程一般遵循以下步骤：

导入必要的库 - 例如，NumPy、Pandas 和 Scikit-learn。
加载和准备数据 - 数据是机器学习的核心。你需要加载数据并进行必要的预处理（例如数据清洗、缺失值填补等）。
选择模型和算法 - 根据任务选择适合的机器学习算法（如线性回归、决策树等）。
训练模型 - 使用训练集数据来训练模型。
评估模型 - 使用测试集评估模型的准确性，并根据评估结果优化模型。
调整模型和超参数 - 根据评估结果调整模型的超参数，进一步优化模型性能。

2 一个简单的机器学习例子：使用 Scikit-learn 做分类

Scikit-learn（简称 Sklearn）是一个开源的机器学习库，建立在 NumPy、SciPy 和 matplotlib 这些科学计算库之上，提供了简单高效的数据挖掘和数据分析工具。Scikit-learn 包含了许多常见的机器学习算法，包括：

线性回归、岭回归、Lasso回归
支持向量机（SVM）
决策树、随机森林、梯度提升树
聚类算法（如K-Means、层次聚类、DBSCAN）
降维技术（如PCA、t-SNE）
神经网络

接下来我们通过一个简单的分类任务——使用鸢尾花数据集（Iris Dataset）来演示机器学习的流程，鸢尾花数据集是一个经典的数据集，包含 150 个样本，描述了三种不同类型的鸢尾花的花瓣和萼片的长度和宽度。

2.1 导入库

import pandas as pd  # 数据分析库
import matplotlib.pyplot as plt  # 数据可视化库
from sklearn.datasets import load_iris  # 导入鸢尾花数据集
from sklearn.model_selection import train_test_split  # 导入数据集拆分工具
from sklearn.preprocessing import StandardScaler  # 导入数据标准化工具
from sklearn.neighbors import KNeighborsClassifier  # 导入 KNN 分类器
from sklearn.metrics import accuracy_score  # 导入准确率计算工具

2.2 加载数据

加载鸢尾花数据集：

# 加载鸢尾花数据集
iris = load_iris()
''' 将数据转化为 pandas DataFrame（表格结构）iris.data 特征数据，一个二维数组类似于 [[1,2,3,4],[2,3,4,5],[3,4,5,6] ... ]iris.feature_names 特征名称，一个一维数组这里值为['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']iris.target 标签数据，一个一维数组这里值为[0,0,0...1,1,1...2,2,2...]iris.target_names 标签名称，一个一维数组这里值为['setosa', 'versicolor', 'virginica'] 三种花的品种
'''
X = pd.DataFrame(iris.data, columns=iris.feature_names)  # 特征数据
y = pd.Series(iris.target)  # 标签数据# 显示转换后数据
print(X)

2.3 数据集划分

将数据集划分为训练集和测试集：

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

变量	描述
X_train	划分的训练集数据
X_test	划分的测试集数据
y_train	划分的训练集标签
y_test	划分的测试集标签

参数	描述
train_data	还未划分的数据集
train_target	还未划分的标签
test_size	分割比例，默认为0.25，即测试集占完整数据集的比例
random_state	随机数种子，应用于分割前对数据的洗牌。可以是int，RandomState实例或None，默认值=None。设成定值意味着，对于同一个数据集，只有第一次运行是随机的，随后多次分割只要rondom_state相同，则划分结果也相同。
shuffle	是否在分割前对完整数据进行洗牌（打乱），默认为True，打乱

2.4 特征缩放（标准化）

许多机器学习算法都依赖于特征的尺度，特别是像 K 最近邻算法。为了确保每个特征的均值为 0，标准差为 1，我们使用标准化来处理数据：

'''数据预处理 StandardScaler去均值和方差归一化。且是针对每一个特征维度来做的，而不是针对样本。 标准差标准化使得经过处理的数据符合标准正态分布，即均值为0，标准差为1。
'''
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

处理后数据：

2.5 选择模型并训练

在这个例子中，我们选择 K-Nearest Neighbors（KNN）算法来进行分类：

'''创建 KNN 分类器KNeighborsClassifier 是 scikit-learn 库中 K-近邻算法的实现，用于分类任务。KNN 算法的基本思想是给定一个样本数据集，对于每个输入的新数据点，找到其在样本数据集中最近的 K 个数据点，根据这 K 个邻居的类别来预测新数据点的类别。
'''
knn = KNeighborsClassifier(n_neighbors=3)
# 训练模型
knn.fit(X_train, y_train)

2.6 评估模型

训练完成后，我们使用测试集评估模型的准确性：

# 预测测试集
y_pred = knn.predict(X_test)
# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f'测试数据标签：{y_test.values}')
print(f'算法预测标签：{y_pred}')
print(f'模型准确率: {accuracy:.2f}')

2.7 可视化结果（可选）

你可以通过可视化来进一步了解模型的表现，尤其是在多维数据集的情况下。例如，你可以用二维图来显示 KNN 分类的结果。

# 可视化 - 这里只是一个简单示例，具体可根据实际情况选择绘图方式
# 设置中文
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
'''
X_test[:, 0] 和 X_test[:, 1] 分别表示测试数据集X_test中的第一列和第二列数据，作为散点图的x坐标和y坐标。
c=y_pred 表示散点的颜色由预测值y_pred决定。
cmap='viridis' 指定了颜色映射为viridis，这是一种连续的颜色映射。
marker='o' 指定了散点的形状为圆形。
'''
plt.scatter(X_test[:, 0], X_test[:, 1], c=y_pred, cmap='viridis', marker='o')
plt.title("KNN 分类结果")
plt.xlabel("花萼长度")
plt.ylabel("花萼宽度")
plt.show()