一、創建一個機器模型
例子
input:
from sklearn.linear_model import LinearRegression
model = LinearRegression()
print(model)
output:
LinearRegression(copy_X=True, fit_intercept=True, n_jobs=1, normalize=False)
二、模型提供的接口
2.1 所有模型提供的接口
model.fit(): 實際上就是訓練,對於監督模型來說是 fit(X,y),對於非監督模型是 fit(X)。
2.2 監督模型提供:
model.predict(X_new): 判別新樣本
model.predict_proba(X_new): 某些模型可以輸出概率,比如 LR,上一個輸出的就是概率最大的 target
model.score(): 得分越高,fit 越好
2.3 非監督模型提供:
model.transform(): 從數據中學到新的“基空間”。
model.fit_transform(): 從數據中學到新的基並將這個數據按照這組“基”進行轉換。
2.4 接口所處位置:
三、機器學習算法類別及選擇
3.1 機器學習算法的類別:
機器學習分爲四大塊,分別是: classification (分類), clustering (聚類), regression (迴歸), dimensionality reduction (降維)
3.2 機器學習算法的選擇