python：使用sklearn预测未知数据（回归），分类，MLP，SVM，RF，KNN，混淆矩阵

您所在的位置：网站首页 › 未知的代码 › python：使用sklearn预测未知数据（回归），分类，MLP，SVM，RF，KNN，混淆矩阵

python：使用sklearn预测未知数据（回归），分类，MLP，SVM，RF，KNN，混淆矩阵

2024-07-13 23:06| 来源: 网络整理| 查看: 265

文章目录前言分类MLPRFSVMGDBTKNN 预测（回归）：代码模板方法列表其他：混淆矩阵模型准确率均值、方差、标准化保存与加载模型

前言

本文主要记录使用 Sklearn 做机器学习分类和回归的例子，适合初学者理解和扩展。 Sklearn 包含了很多种机器学习的方式，如下表所示:

模块英文名模块中文名Classification分类Regression回归Clustering非监督分类Dimensionality reduction数据降维Model Selection模型选择Preprocessing数据预处理分类 MLP

多层感知机分类

from sklearn.neural_network import MLPClassifier #输入数据（特征） x = [[0., 0.], [1., 1.]] # 标签数据（标签） y = [1, 2] # 创建分类器 clf = MLPClassifier(solver='adam', alpha=1e-5, hidden_layer_sizes=(5,2), random_state=1) # 训练分类器 clf.fit(x, y) MLPClassifier(activation='relu', alpha=0.0001, batch_size='auto', beta_1=0.9, beta_2=0.999, early_stopping=False, epsilon=1e-08, hidden_layer_sizes=(5, 2), learning_rate='constant', learning_rate_init=0.001, max_iter=200, momentum=0.9, nesterovs_momentum=True, power_t=0.5, random_state=1, shuffle=True, solver='adam', tol=0.0001, validation_fraction=0.1, verbose=False, warm_start=False) # 预测未知数据 results = clf.predict([[-2., -2.]]) print(results) RF

随机森林分类

from sklearn.ensemble import RandomForestClassifier #做分类 #输入数据（特征） x = [[0., 0.], [1., 1.]] # 标签数据（标签） y = [1, 2] # 创建分类器 model_RF = RandomForestClassifier(n_estimators=20,max_features="auto",criterion='gini',\ n_jobs=4,oob_score=True) #调用fit训练 model_RF.fit(x, y) # 预测未知数据 results = model_RF.predict([[-2., -2.]]) print(results) SVM

支持矢量机分类

import numpy as np from sklearn.svm import SVC # 导入svm的svc类（支持向量分类） #输入数据（特征） X = np.array([[-1, -1], [-2, -1], [1, 1], [2, 1]]) # 标签数据（标签） y = np.array([1, 1, 2, 2]) # 创建分类器 clf = SVC() # 训练分类器 clf.fit(X, y) SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0, decision_function_shape=None, degree=3, gamma='auto', kernel='rbf', max_iter=-1, probability=False, random_state=None, shrinking=True, tol=0.001, verbose=False) # 预测未知数据 results = clf.predict([[-0.8, -1]]) print(results) GDBT

梯度提升树分类

# 梯度提升树 from sklearn.ensemble import GradientBoostingClassifier #输入数据（特征） x = [[0., 0.], [1., 1.]] # 标签数据（标签） y = [1, 2] # 创建分类器，默认：n_estimators=60,learning_rate=0.1,random_state=10 clf = GradientBoostingClassifier() # 训练分类器 clf.fit(x, y) # 预测未知数据 results = clf.predict([[-2., -2.]]) print(results) KNN

k-邻域

from sklearn.neighbors import KNeighborsClassifier #输入数据（特征） x = [[0., 0.], [1., 1.]] # 标签数据（标签） y = [1, 2] # 创建分类器，k=1 clf = KNeighborsClassifier(n_neighbors= 1) # 训练分类器 clf.fit(x, y) # 预测未知数据 results = clf.predict([[-2., -2.]]) print(results) 预测（回归）：代码模板 #输入数据（特征），一行一个样本，每一列为特征 x = [[0., 0.], [1., 1.]] # 标签数据（标签） y = [1, 2] # 选择不同方法（在本文方法列表中复制过来） from sklearn import tree model = tree.DecisionTreeRegressor() # 训练模型 model.fit(x,y) # 回归结果 result = model.predict([[-2., -2.]]) print(result) 方法列表 # 决策树回归 from sklearn import tree model_DecisionTreeRegressor = tree.DecisionTreeRegressor() # 线性回归 from sklearn import linear_model model_LinearRegression = linear_model.LinearRegression() # SVM回归 from sklearn import svm model_SVR = svm.SVR() # KNN回归 from sklearn import neighbors model_KNeighborsRegressor = neighbors.KNeighborsRegressor() # 随机森林回归 from sklearn import ensemble model_RandomForestRegressor = ensemble.RandomForestRegressor(n_estimators=20)#这里使用20个决策树 # Adaboost回归 from sklearn import ensemble model_AdaBoostRegressor = ensemble.AdaBoostRegressor(n_estimators=50)#这里使用50个决策树 # GBRT回归 from sklearn import ensemble model_GradientBoostingRegressor = ensemble.GradientBoostingRegressor(n_estimators=100)#这里使用100个决策树 # Bagging回归 from sklearn.ensemble import BaggingRegressor model_BaggingRegressor = BaggingRegressor() # ExtraTree极端随机树回归 from sklearn.tree import ExtraTreeRegressor model_ExtraTreeRegressor = ExtraTreeRegressor() 其他：混淆矩阵 from sklearn.metrics import confusion_matrix # 输入数据行数 numberSamples = litoNp.shape[0] # 真实标签 expected=litoNp[:,3] # 预测标签 predicted = [] # 逐行遍历 for i in range(numberSamples): # 整理预测标签 predicted.append(clf.predict([litoScale[i]])) # 计算混淆矩阵 results = confusion_matrix(expected,predicted) print(results) 模型准确率 # 计算模型准确率等函数库 from sklearn import metrics #计算模型准确率，y为标签数据，results是预测结果数据 print("RF准确率为:{0:%}".format(metrics.accuracy_score(y, results))) 均值、方差、标准化 from sklearn import preprocessing # 均值，方差 scaler = preprocessing.StandardScaler().fit(litoTrans) # 标准化 litoScale = scaler.transform(litoTrans) # 检查均值、方差 print(litoScale.mean(axis=0)) print(litoScale.std(axis=0)) 保存与加载模型 #保存模型 import joblib joblib.dump(clf,'model.pkl') model = joblib.load('model.pkl')

【本文地址】

python：使用sklearn预测未知数据（回归），分类，MLP，SVM，RF，KNN，混淆矩阵

python：使用sklearn预测未知数据（回归），分类，MLP，SVM，RF，KNN，混淆矩阵

今日新闻

推荐新闻