零基础学python+人工智能ai(持续更新ing)

零基础学python+人工智能ai(持续更新ing)

糖尿病预测

# 导入所需的库
# 导入数据集
from sklearn import datasets
# train_test_split 该函数用于将数据集分割为训练集和测试集，以便在模型训练和评估中使用。
from sklearn.model_selection import train_test_split
# LinearRegression 该类用于实现线性回归模型，可以用于预测连续值。
from sklearn.linear_model import LinearRegression
# mean_squared_error 该函数用于计算预测值与真实值之间的均方误差，常用于评估回归模型的性能
from sklearn.metrics import mean_squared_error

# 加载糖尿病数据集
diabetes = datasets.load_diabetes()

# 将数据集拆分为特征X和目标y
X = diabetes.data
y = diabetes.target

# 将数据集划分为训练集和测试集，其中测试集占20%
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 创建线性回归模型
lr = LinearRegression()

# 使用训练数据拟合模型
lr.fit(X_train, y_train)

# 使用测试数据进行预测
y_pred_train = lr.predict(X_train)
y_pred_test = lr.predict(X_test)

# 计算并打印均方差
print('训练集均方误差：%.2f' % mean_squared_error(y_train, y_pred_train))
print('测试集均方误差：%.2f' % mean_squared_error(y_test, y_pred_test))

分类任务算法

# 分类任务的定义：根据历史数据训练模型，未来预测样本属于哪一个类别的任务，比如：垃圾邮件分类、情感分析、图像识别、信用卡欺诈检测、疾病诊断、金融欺诈等

# 鸢尾花逻辑回归
# 导入scikit-learn库中的datasets模块，用于加载数据集
from sklearn import datasets
# 导入train_test_split函数，用于将数据集拆分为训练集和测试集
from sklearn.model_selection import train_test_split
# 导入LogisticRegression类，用于创建逻辑回归模型
from sklearn.linear_model import LogisticRegression
# 导入accuracy_score函数，用于计算模型的准确率
from sklearn.metrics import accuracy_score

# 加载鸢尾花数据集
iris = datasets.load_iris()
# 提取特征数据
X = iris.data
# 提取目标标签
y = iris.target
# 将数据集拆分为训练集和测试集，测试集占20%
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
# 创建逻辑回归模型实例
lr = LogisticRegression()
# 使用训练集数据拟合模型
lr.fit(X_train, y_train)
# 使用测试集数据进行预测
y_pred = lr.predict(X_test)
# 计算并打印模型的准确率，保留两位小数
print('准确率：%.2f' % accuracy_score(y_test, y_pred))