基于Scikit-learn的机器学习模型

创建一个机器学习的模型非常简单：

form sklearn,liner_model import LinearRegression # 导入线性回归模型 model = LinearRegression() # 建立线性回归模型 print(model) 所有模型提供的接口是：

训练模型，对于监督模型来说为 fit(X,y),对于非监督模型来说为 fit(X)

model.fit() 监督模型提供的接口有：

预测新样本

model.predict(X_new)

预测概率，仅针对某些模型有用（如LR）

model.predict_proba(X_new)

计算得分，得分越高，fit效果越好

model.score() 非监督模型提供的接口有：

从数据组学到新的“基空间”

model.transform()

将数据按新学到的基进行转换

model.fit_transform()

 

scikit-learn本身也提供一些数据组，如鸢尾花数据集

from sklearn import datasets iris = datasets.load_iris() print(iris.data.shape from sklearn import svm clf = svm.LinearSVC() clf.fit(iris.data, iris.target) #训练集 clf.predict([[5.0, 3.6,1.3, 0.25]]) # 训练后输入新的数据进行预测 clf.coef_ #查看训练好的模型参数