scikit-learn-intro

sklearn

原文

综述

sklern中所有估计称为模型。

• 所有估计（Estimator）都有的方法：
  
  • model.fit()，对于监督学习fit(x,y)，对于非监督学习fit(x)
• 对于监督学习
  
  • model.predict(x_new) 返回label
  • model.predict_proba(x_new) 返回在各label中的概率，某些model实现
  • model.score() 用以判断测试结果
• 对于非监督学习
  
  • model.predict() 聚类返回labels
  • model.transfrom() 转变新data到new basis。或者返回x_new的基于模型的新表征
  • model.fit_transform() 更有效实现fit和transform在同一数据集上

可视化

import numpy as np
import matplotlib.pyplot as plt
# 'sepal width (cm)'
x_index = 1
# 'petal length (cm)'
y_index = 2
# this formatter will label the colorbar with the correct target names
formatter = plt.FuncFormatter(lambda i, *args: iris.target_names[int(i)])
plt.scatter(iris.data[:, x_index], iris.data[:, y_index],
            c=iris.target, cmap=plt.cm.get_cmap('RdYlBu', 3))
plt.colorbar(ticks=[0, 1, 2], format=formatter)
plt.clim(-0.5, 2.5)
plt.xlabel(iris.feature_names[x_index])
plt.ylabel(iris.feature_names[y_index]);

KNN

from sklearn import neighbors, datasets
iris = datasets.load_iris()
X, y = iris.data, iris.target
# create the model
knn = neighbors.KNeighborsClassifier(n_neighbors=5, weights='uniform')
# fit the model
knn.fit(X, y)
# What kind of iris has 3cm x 5cm sepal and 4cm x 2cm petal?
X_pred = [3, 5, 4, 2]
result = knn.predict([X_pred, ])
print(iris.target_names[result])
print(iris.target_names)
print(knn.predict_proba([X_pred, ]))
from fig_code import plot_iris_knn
plot_iris_knn()