python中scikit-learn机器代码实例

针对“python中scikit-learn机器代码实例”，我整理了以下完整攻略：

Scikit-learn简介

Scikit-learn是一个用于机器学习的Python库，它基于NumPy、SciPy和matplotlib等科学计算工具，提供了各种机器学习算法的实现，包括分类、回归、聚类、降维等。它的特点是简单易用、功能齐全、高效稳定、开源免费，是Python机器学习领域的重要工具之一。Scikit-learn的主要模块包括数据预处理、模型选择、特征提取、模型评估等。

Scikit-learn安装

使用Scikit-learn之前，需要先安装Scikit-learn库及其依赖库。可以通过以下命令安装：

pip install scikit-learn

Scikit-learn示例1：鸢尾花分类

鸢尾花是常用的机器学习数据集之一，它包含3个品种的数据，每个品种样本数是50个，每个样本包含4个特征（萼片长度、萼片宽度、花瓣长度、花瓣宽度），共150个样本。我们可以使用Scikit-learn库中的KNN算法对鸢尾花进行分类，下面是代码实现：

from sklearn.datasets import load_iris 
from sklearn.model_selection import train_test_split 
from sklearn.neighbors import KNeighborsClassifier 

# 加载鸢尾花数据集
iris = load_iris()
X = iris.data  # 特征矩阵
y = iris.target  # 目标向量

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=1)

# 训练KNN分类器
clf = KNeighborsClassifier(n_neighbors=3, p=2)
clf.fit(X_train, y_train)

# 预测测试集
y_pred = clf.predict(X_test)

# 打印分类准确率
accuracy = clf.score(X_test, y_test)
print("分类准确率：", accuracy)

在上面的代码中，我们通过load_iris函数加载鸢尾花数据集，将数据集划分成训练集和测试集，并使用KNN算法建立分类器。最后输出了分类准确率。运行代码后，可以看到分类准确率约为95%左右。

Scikit-learn示例2：手写数字识别

手写数字识别是经典的机器学习问题之一，它的任务是将手写数字图片自动识别为对应的数字。我们可以使用Scikit-learn库中的SVM算法对手写数字进行识别，下面是代码实现：

from sklearn.datasets import load_digits 
from sklearn.model_selection import train_test_split 
from sklearn.svm import SVC 
from sklearn.metrics import accuracy_score 

# 加载手写数字数据集
digits = load_digits()
X = digits.data  # 特征矩阵
y = digits.target  # 目标向量

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=1)

# 训练SVM分类器
clf = SVC(kernel='rbf', C=1.0, gamma='scale')
clf.fit(X_train, y_train)

# 预测测试集
y_pred = clf.predict(X_test)

# 计算分类准确率
accuracy = accuracy_score(y_test, y_pred)
print("分类准确率：", accuracy)

在上面的代码中，我们通过load_digits函数加载手写数字数据集，将数据集划分成训练集和测试集，并使用SVM算法建立分类器。最后输出了分类准确率。运行代码后，可以看到分类准确率约为97%左右。

以上就是“python中scikit-learn机器代码实例”的完整攻略。