python+Mosh网课笔记13 使用Python进行机器学习

太久没写python代码了,学机器学习重新拾起python,笔记比较简陋。

参考:mosh python网课

目录

一、通常的步骤

二、库和工具

三、环境

四、导入数据集

五、准备数据

六、预测-利用决策树

七、衡量模型的准确性

八、模型持久性

[1. 保存模型](#1. 保存模型)

[2. 加载模型](#2. 加载模型)

九、可视化决策树


一、通常的步骤

  1. 导入数据。数据通常以CSV格式存储。
  2. 清洗数据。比如删除重复数据或者不完整的数据。
  3. 把数据拆分成训练集、测试集等。
  4. 创建一个模型。
  5. 训练模型。
  6. 做出预测。
  7. 评估预测效果,对模型进行提升。

二、库和工具

  • Numpy 对处理多维数组很方便
  • Pandas 为数据分析提供了data frame
  • MatPlotLib
  • Scikit-Learn

三、环境

下载配置anaconda环境,这个在csdn上搜其他高赞帖子教程就行。

四、导入数据集

  1. 注册Kaggle账号,我用Google账号注册登录的。搜索Video Game Sales,找到Datasets,选择第一个,投票最多的那个。 下载是一个压缩包,解压,vgsales.csv文件放到代码工程文件夹下。
  2. 我是用的vscode新建.ipynb文件运行,不是直接用的jupyter(因为我之前用过,总是出问题)。vscode需要安装jupyter插件,运行时,遇到了问题 Running cells with '(Python 3.8.20)' requires the ipykernel package.
  3. 已解决,运行该命令即可:pip install ipykernel --upgrade 参考在vscode中运行jupyter时报错_running cells with 'python 3.8.13 ('pythonproject6-CSDN博客
  4. .ipynb文件下运行,数据集加载出来。
python 复制代码
import pandas as pd
df = pd.read_csv('vgsales.csv') #读取csv文件中的数据。
df 
#df.shape 返回数据集的规模  (x,y) x是记录数,y是column数。
#df.describe() 返回generates descriptive statistics 比如count,mean,min,max,
#df.values() 以二维数组的形式返回表中的数据。


6.

五、准备数据

  1. 利用music.csv删除genre列做预测。(这个文件直接搜mosh music.csv就行,github上有,我是在Google浏览器直接搜的。)
  2. 输入集:把genre列删了,只留age和gender列,预测genre列。
  3. 输出集:把genre列存储到y中,作为结果。X和y都准备出来,开始训练模型从X预测y。

六、预测-利用决策树

  1. 导入决策树的包:from sklearn.tree import DecisionTreeClassifier 。先下载这个sklearn包。pip install sklearn时出错了。提示我用pip install scikit-learn,需要挂v。

python 复制代码
import pandas as pd
from sklearn.tree import DecisionTreeClassifier
#决策树。scikit-learn库,这个机器学习库很受欢迎。

music_data = pd.read_csv('music.csv')
X = music_data.drop(columns=['genre']) 
#不会修改原始数据集,会创建新数据集。
y =  music_data['genre']

model=DecisionTreeClassifier()
model.fit(X,y)
predictions = model.predict([ [21,1] ,[22,0]])
predictions

要求预测21岁的男生和22岁的女生喜欢的音乐数据,预测结果:

我们再回顾一下music_data,可见预测的数据准确。

直接建立预测准确的模型并不容易,我们可以通过微调模型或者使用其他模型的方式来提升预测准确性。

七、衡量模型的准确性

  • 70%-80%的数据用于训练,另外20%-30%的数据用于测试。
python 复制代码
import pandas as pd
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
#功能:将数据集分为两组。
from sklearn.metrics import accuracy_score
#计算准确度。

music_data = pd.read_csv('music.csv')
X = music_data.drop(columns=['genre']) 
#不会修改原始数据集,会创建新数据集。
y =  music_data['genre']
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.2) #20%的数据用于测试。
#输入集,输出集。

model=DecisionTreeClassifier()
model.fit(X_train,y_train)
predictions = model.predict(X_test)

score = accuracy_score(y_test,predictions) # 精度在[0,1]之间。
score
  • 修改test_size的大小,比如test_size=0.8。发现当训练集很小的时候,训练的准确度也很低。当我们给模型更多并且更干净的数据时,我们能得到更准确的结果。
  • 一些模型需要数千甚至数百万个样本来训练模型。我们这个music.csv中的数据只有17条,太少了。所以不断尝试重新运行时,发现准确度不是1了。

八、模型持久性

1. 保存模型

  • 导入包:from sklearn.externals import joblib #可以保存已加载模型。 报错:cannot import name 'joblib' from 'sklearn.externals' 解决:pip install joblib, 导入包:import joblib
python 复制代码
import pandas as pd
from sklearn.tree import DecisionTreeClassifier
import joblib #可以保存已加载模型。

music_data = pd.read_csv('music.csv')
X = music_data.drop(columns=['genre']) 
y =  music_data['genre']

model=DecisionTreeClassifier()
model.fit(X,y)

joblib.dump(model, 'music-recommender.joblib') #存储此模型的文件名称。

#predictions = model.predict(X)

最后生成了music-recommender.joblib文件。

2. 加载模型

python 复制代码
import pandas as pd
from sklearn.tree import DecisionTreeClassifier
import joblib #可以保存已加载模型。

model = joblib.load('music-recommender.joblib') #存储此模型的文件名称。

predictions = model.predict([[21,1]])
predictions

九、可视化决策树

生成music-recommender.dot文件,然后安装graphviz插件和软件,可视化。

python 复制代码
import pandas as pd
from sklearn.tree import DecisionTreeClassifier
from sklearn import tree

music_data = pd.read_csv('music.csv')
X = music_data.drop(columns=['genre']) 
y =  music_data['genre']

model=DecisionTreeClassifier()
model.fit(X,y)

tree.export_graphviz(model,out_file='music-recommender.dot',
                     feature_names=['age','gender'], 
                     class_names=sorted(y.unique()), #重置class为genre去重后的结果。
                     label='all', #每个框都有label,以便我们阅读。
                     rounded=True, #每个框有圆角。
                     filled=True) #每个框都能填充颜色。
相关推荐
小杨4042 小时前
python入门系列十四(多进程)
人工智能·python·pycharm
用户277844910499317 小时前
借助DeepSeek智能生成测试用例:从提示词到Excel表格的全流程实践
人工智能·python
JavaEdge在掘金19 小时前
ssl.SSLCertVerificationError报错解决方案
python
我不会编程55520 小时前
Python Cookbook-5.1 对字典排序
开发语言·数据结构·python
李少兄20 小时前
Unirest:优雅的Java HTTP客户端库
java·开发语言·http
老歌老听老掉牙20 小时前
平面旋转与交线投影夹角计算
python·线性代数·平面·sympy
满怀101520 小时前
Python入门(7):模块
python
无名之逆20 小时前
Rust 开发提效神器:lombok-macros 宏库
服务器·开发语言·前端·数据库·后端·python·rust
你觉得20520 小时前
哈尔滨工业大学DeepSeek公开课:探索大模型原理、技术与应用从GPT到DeepSeek|附视频与讲义下载方法
大数据·人工智能·python·gpt·学习·机器学习·aigc
似水এ᭄往昔20 小时前
【C语言】文件操作
c语言·开发语言