Python机器学习教程
|
尽管有许多可用于机器学习的语言，但据我称，Python是机器学习应用程序的最佳编程语言。这是由于以下部分提到的各种好处。可以用于机器学习应用程序的其他编程语言是R，C ++，JavaScript，Java，C＃，Julia，Shell，TypeScript和Scala。R还是一种非常好的机器学习入门语言。 与其他编程语言相比，Python以其可读性和相对较低的复杂性而闻名。机器学习应用程序涉及复杂的概念，例如微积分和线性代数，这些实现需要花费很多精力和时间。Python通过快速实施来帮助机器学习工程师验证想法，从而减轻了负担。您可以查看《Python教程》以获得对该语言的基本了解。在机器学习中使用Python的另一个好处是预构建的库。如下所述，针对不同类型的应用程序有不同的软件包： 在处理图像时使用Numpy，OpenCV和Scikit 文本处理时，NLTK与Numpy和Scikit一起 Librosa用于音频应用 Matplotlib，Seaborn和Scikit用于数据表示 用于深度学习应用程序的TensorFlow和Pytorch 科学计算科学 Django，用于集成Web应用程序 熊猫用于高级数据结构和分析 Python提供了在面向对象的编程或脚本之间进行选择的灵活性。也不需要重新编译代码。开发人员可以实施任何更改并立即查看结果。您可以将Python和其他语言一起使用以实现所需的功能和结果。 Python是一种通用的编程语言，可以在任何平台上运行，包括Windows，MacOS，Linux，Unix等。从一个平台迁移到另一个平台时，代码需要进行一些小的改动和更改，并且可以在新平台上使用了。 以下是使用Python解决机器学习问题的好处的摘要：
机器学习的类型 机器学习大致分为三类 监督学习 无监督学习 强化学习 什么是监督学习？ 让我们从一个简单的例子开始，说您正在教一个孩子区分狗和猫。你会怎么做？ 您可以给他/她看狗，然后说“这是狗”，遇到猫时您会指出它是猫。当您向孩子展示足够多的猫狗时，他可能会学会区分它们。如果他训练有素，他也许就能认出他从未见过的不同品种的狗。 同样，在监督学习中，我们有两组变量。一种称为目标变量，或称为标签（我们要预测的变量）和特征（可帮助我们预测目标变量的变量）。 我们向程序（模型）显示功能以及与这些功能关联的标签，然后程序便能够在数据中找到潜在的模式。以该数据集的示例为例，在该数据集中我们要根据房屋的大小来预测房屋的价格。作为目标变量的价格取决于作为特征的尺寸。 Number of rooms Price 1 $100 3 $300 5 $500 在真实的数据集中，我们将有更多的行和不止一个功能，例如大小，位置，楼层数等等。 因此，可以说监督学习模型具有一组输入变量（x）和一个输出变量（y）。一种算法识别输入和输出变量之间的映射函数。关系为y = f（x）。 在我们已经知道输出和算法每次都得到更正以优化其结果的意义上，对学习进行监视或监督。对数据集进行算法训练并对其进行修改，直到达到可接受的性能水平。 我们可以将有监督的学习问题归类为： 回归问题–用于预测未来价值，并使用历史数据对模型进行训练。例如，预测房屋的未来价格。 分类问题–各种标签训练算法以识别特定类别中的项目。例如，狗或猫（如上例中所述），苹果或橙子，啤酒或葡萄酒或水。 什么是无监督学习？ 这种方法是没有目标变量，只有输入变量（特征）的方法。该算法可自行学习并在数据中发现令人印象深刻的结构。 目的是破译数据中的基础分布，以获得有关数据的更多知识。 我们可以将无监督学习问题分组为： 聚类：这意味着将具有相同特征的输入变量捆绑在一起。例如，根据搜索记录对用户进行分组 关联：在这里，我们发现控制数据集之间有意义关联的规则。例如，观看“ X”的人也会观看“ Y”。 什么是强化学习？ 在这种方法中，机器学习模型经过训练，可以根据他们对自己的行为所获得的奖励和反馈做出一系列决策。机器学习如何在复杂和不确定的情况下实现目标，并且在学习期间每次达到目标都会获得奖励。 强化学习与监督学习在没有可用答案的意义上有所不同，因此强化代理决定执行任务的步骤。当没有训练数据集时，机器会从自己的经验中学习。 机器学习算法 这可能是您机器学习过程中最耗时且最困难的过程。机器学习中有很多算法，您不需要完全了解它们就可以入门。但是我建议，一旦您开始练习机器学习，就应该开始学习其中最受欢迎的算法，例如： 线性回归 逻辑回归 决策树 支持向量机 朴素贝叶斯 K近邻 K均值 随机森林 梯度提升算法 在这里，我将简要概述一下机器学习中最简单的算法之一，即K近邻算法（这是一种监督学习算法），并说明如何将其用于回归和分类。我强烈建议检查线性回归和逻辑回归，因为我们将要实现它们，并在实现部分将结果与KNN（K最近邻）算法进行比较。 您可能需要注意，对于回归问题和分类问题，通常有单独的算法。但是通过修改算法，我们可以将其用于分类和回归，如下所示 K最近邻居算法 KNN属于一组懒惰的学习者。与急切的学习者（例如逻辑回归，SVM，神经网络）相反，懒惰的学习者只是将训练数据存储在内存中。在训练阶段，KNN整理数据（建立索引的过程），以便在推理阶段有效地找到最接近的邻居。否则，它将不得不将推理期间的每个新个案与整个数据集进行比较，从而使其效率很低。 因此，如果您想知道什么是训练阶段，急切的学习者和懒惰的学习者，现在请记住，训练阶段是算法从提供给它的数据中学习的时间。例如，如果您经历了上面链接的线性回归算法，则在训练阶段，该算法将尝试找到最佳拟合线，该过程包括大量计算，因此需要大量时间，并且这种类型的算法被称为渴望的学习者。另一方面，懒惰的学习者就像KNN一样，不涉及很多计算，因此训练速度更快。 分类问题的K-NN 现在让我们看看如何使用K-NN进行分类。这里是一个假设的数据集，它试图根据身高和体重（特征）来预测一个人是男性还是女性（标签）。 高度（厘米）-特征 重量（kg）-特点。 性别（标签） 187 80 男 165 50 199 99 男 145 70 180 87 男 178 65 187 60 男 现在让我们绘制这些点：
现在，我们要分类一个新点，因为它的高度为190 cm，重量为100 Kg。这是K-NN对这一点进行分类的方式： （编辑：应用网_阳江站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
