1 什么是機器學習

什么是機器學習？

這個問題不同的人員會有不同的理解。我個人覺得，用大白話來描述機器學習，就是讓計算機能夠通過一定方式的學習和訓練，選擇合適的模型，在遇到新輸入的數據時，可以找出有用的信息，并預測潛在的需求。最終反映的結果就是，好像計算機或者其他設備跟人類一樣具有智能化的特征，能夠快速識別和選擇有用的信息。

機器學習通常可以分為三個大的步驟，即 輸入、整合、輸出，可以用下圖來表示大致的意思：

大數據培訓,云培訓,數據挖掘培訓,云計算培訓,高端軟件開發(fā)培訓,項目經理培訓

2 機器學習示例（scikit-learn）

在python語言中，scikit-learn是一個開源的機器學習庫。下面以sklearn為例，來簡單描述機器學習的過程。

2.1 加載數據

通常第一步是獲取相關數據，并進行相應的處理，使之可以在后續(xù)過程中使用。

from sklearn import datasets

  • 加載iris數據集并查看相關信息

# 加載數據集iris = datasets.load_iris()# print(iris)print(type(iris))
print(iris.keys())# 查看部分數據print(iris.data[ :5, :])# print(iris.data)
<class 'sklearn.datasets.base.Bunch'>
dict_keys(['DESCR', 'data', 'feature_names', 'target', 'target_names'])
[[ 5.1  3.5  1.4  0.2]
 [ 4.9  3.   1.4  0.2]
 [ 4.7  3.2  1.3  0.2]
 [ 4.6  3.1  1.5  0.2]
 [ 5.   3.6  1.4  0.2]]
# 查看數據維度大小print(iris.data.shape)# 數據屬性print(iris.feature_names)# 特征名稱print(iris.target_names)# 標簽print(iris.target)
(150, 4)
['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']
['setosa' 'versicolor' 'virginica']
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2
 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
 2 2]

2.2 選擇機器學習模型or算法

在獲取數據，并將數據整理好后，需要選擇合適的模型or算法來進行訓練。
機器學習的模型有很多種，這里不作討論，且每種模型的參數選擇也是很大的一門學問。

from sklearn import svm

svm_classifier = svm.SVC(gamma=0.1, C=100)# 預測結果得分很低# svm_classifier = svm.SVC(gamma=10000, C=0.001)# 定義測試集的數據量大小N = 10# 訓練集train_x = iris.data[:-N, :]
train_y = iris.target[ :-N]# 測試集test_x = iris.data[ :N, :]
y_true = iris.target[:N]# 訓練數據模型svm_classifier.fit(train_x, train_y)
SVC(C=100, cache_size=200, class_weight=None, coef0=0.0,
  decision_function_shape=None, degree=3, gamma=0.1, kernel='rbf',
  max_iter=-1, probability=False, random_state=None, shrinking=True,
  tol=0.001, verbose=False)

  • 將訓練好的模式進行測試

y_pred = svm_classifier.predict(test_x)

  • 查看測試結果

from sklearn.metrics import accuracy_score

print(accuracy_score(y_true, y_pred))
1.0

2.3 將訓練好的模型進行應用，即預測

  • 保存模型

import picklewith open('svm_model_iris.pkl', 'wb') as f:
    pickle.dump(svm_classifier, f)

  • 加載模型進行應用

import numpy as np# np.random.seed(9)with open('svm_model_iris.pkl', 'rb') as f:
    model = pickle.load(f)

random_samples_index = np.random.randint(0,150,6)
random_samples = iris.data[random_samples_index, :]
random_targets = iris.target[random_samples_index]

random_predict = model.predict(random_samples)

print('真實值：', random_targets)
print('預測值：', random_predict)
真實值： [1 1 1 0 2 2]
預測值： [1 1 1 0 2 2]

閑談

預測的結果好不好，直接體現出機器學習模型選擇的優(yōu)劣。對于機器學習這門高深的學問，我還有許多需要進一步學習的地方，歡迎一起交流，共同進步。

最后分享網上的一張圖，來看看如何理解Machine Learning。

大數據培訓,云培訓,數據挖掘培訓,云計算培訓,高端軟件開發(fā)培訓,項目經理培訓

如果您喜歡我的文章，歡迎關注微信公眾號：Python數據之道（ID：PyDataRoad）

作者：Lemon 
出處：個人微信公眾號：“Python數據之道”（ID：PyDataRoad）和博客園：http://www.cnblogs.com/lemonbit/ 
本文版權歸作者所有，歡迎轉載，但未經作者同意必須保留此段聲明，且在文章頁面明顯位置給出原文出處，否則保留追究法律責任的權利。

http://www.cnblogs.com/lemonbit/p/7112438.html