当前位置：首页 > wzjs >正文

做动态的网站在哪里做推广效果好

wzjs 2025/7/25 9:04:37

做动态的网站,在哪里做推广效果好,代办公司注册商务服务,网站开发vue文章3：机器学习基础概念与框架实践 ——从理论到代码，用Scikit-learn构建你的第一个分类模型一、机器学习基础理论：三大核心类型机器学习是人工智能的核心，通过数据让计算机自动学习规律并做出预测或决策。根据学习方式&#…

文章3：机器学习基础概念与框架实践

——从理论到代码，用Scikit-learn构建你的第一个分类模型

一、机器学习基础理论：三大核心类型

机器学习是人工智能的核心，通过数据让计算机自动学习规律并做出预测或决策。根据学习方式，可分为三类：

1. 监督学习（Supervised Learning）

定义：有标签的数据（输入-输出对）训练模型，预测未知数据的标签。
典型任务：分类（如垃圾邮件识别）、回归（如房价预测）。
算法示例：线性回归、决策树、支持向量机（SVM）。

2. 无监督学习（Unsupervised Learning）

定义：无标签数据，通过发现数据内在结构进行聚类或降维。
典型任务：客户分群、图像压缩。
算法示例：K-means聚类、主成分分析（PCA）。

3. 强化学习（Reinforcement Learning）

定义：通过试错，让智能体在环境中学习最优策略。
典型任务：游戏AI（如AlphaGo）、机器人控制。
算法示例：Q-learning、深度Q网络（DQN）。

二、常见机器学习算法与Scikit-learn实践

1. 监督学习：线性回归（Regression）

原理：找到输入特征与连续输出之间的线性关系。

Scikit-learn实现：

from sklearn.linear_model import LinearRegression  
import numpy as np  # 生成模拟数据  
X = np.array([[1], [2], [3], [4], [5]])  
y = np.array([2, 4, 6, 8, 10])  # 训练模型  
model = LinearRegression()  
model.fit(X, y)  # 预测  
print("预测X=6时的y值:", model.predict([[6]]))  # 输出：[12.0]

2. 分类算法：决策树（Decision Tree）

原理：通过树状结构划分数据，每个节点代表一个特征判断。

Scikit-learn实现：

from sklearn.tree import DecisionTreeClassifier  
from sklearn.datasets import load_iris  
from sklearn.model_selection import train_test_split  # 加载鸢尾花数据集  
iris = load_iris()  
X_train, X_test, y_train, y_test = train_test_split(  iris.data, iris.target, test_size=0.2, random_state=42  
)  # 训练决策树  
model = DecisionTreeClassifier(max_depth=3)  
model.fit(X_train, y_train)  # 评估  
print("准确率:", model.score(X_test, y_test))  # 输出：约0.933

3. 支持向量机（SVM）

原理：寻找最优超平面，最大化分类间隔。

Scikit-learn实现：

from sklearn.svm import SVC  # 使用SVM分类  
svm_model = SVC(kernel='linear')  
svm_model.fit(X_train, y_train)  
print("SVM准确率:", svm_model.score(X_test, y_test))  # 输出：约0.967

三、数据预处理与特征工程

数据质量直接影响模型效果，以下是关键步骤：

1. 标准化（Standardization）

将数据转换为均值为0、标准差为1的分布（如：X = (X - μ)/σ）。

from sklearn.preprocessing import StandardScaler  scaler = StandardScaler()  
X_scaled = scaler.fit_transform(X)  # 对特征进行标准化

2. 归一化（Normalization）

将数据缩放到[0,1]范围（如：X = (X - min)/(max - min)）。

from sklearn.preprocessing import MinMaxScaler  minmax_scaler = MinMaxScaler()  
X_normalized = minmax_scaler.fit_transform(X)

3. 处理缺失值（Missing Values）

from sklearn.impute import SimpleImputer  # 用均值填充数值型缺失值  
imputer = SimpleImputer(strategy='mean')  
X_imputed = imputer.fit_transform(X)

四、实战案例：鸢尾花分类（Iris Classification）

1. 数据加载与探索

import pandas as pd  
from sklearn.datasets import load_iris  iris = load_iris()  
df = pd.DataFrame(data=iris.data, columns=iris.feature_names)  
df['target'] = iris.target  
print(df.head())

输出示例：

   sepal length (cm)  sepal width (cm)  ...  petal width (cm)  target
0              5.1               3.5  ...               0.2       0
1              4.9               3.0  ...               0.2       0
...

2. 数据预处理

X = df.drop('target', axis=1)  
y = df['target']  # 划分训练集和测试集  
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

3. 训练SVM分类器并评估

from sklearn.metrics import accuracy_score, classification_report  svm_model = SVC(kernel='linear')  
svm_model.fit(X_train, y_train)  
y_pred = svm_model.predict(X_test)  # 输出评估指标  
print("准确率:", accuracy_score(y_test, y_pred))  
print("分类报告:\n", classification_report(y_test, y_pred))

输出示例：

准确率: 1.0  
分类报告:precision    recall  f1-score   support
0       1.00      1.00      1.00         8
1       1.00      1.00      1.00        10
2       1.00      1.00      1.00        10
micro avg       1.00      1.00        28