過去十年，機(jī)器學(xué)習(xí)已從科研實(shí)驗(yàn)室走向日常的網(wǎng)絡(luò)和移動(dòng)應(yīng)用程序。機(jī)器學(xué)習(xí)使您的應(yīng)用程序能夠執(zhí)行以前難以編程的任務(wù)，例如檢測(cè)圖像中的物體和人臉、檢測(cè)垃圾郵件和仇恨言論，以及為電子郵件和消息應(yīng)用程序生成智能回復(fù)。

然而，執(zhí)行機(jī)器學(xué)習(xí)與經(jīng)典編程有著根本的不同。在本文中，您將學(xué)習(xí)機(jī)器學(xué)習(xí)的基礎(chǔ)知識(shí)，並創(chuàng)建一個(gè)可以根據(jù)花朵測(cè)量結(jié)果預(yù)測(cè)花卉種類的基本模型。

關(guān)鍵要點(diǎn)

• 機(jī)器學(xué)習(xí)已從科學(xué)研究實(shí)驗(yàn)室發(fā)展到日常的網(wǎng)絡(luò)和移動(dòng)應(yīng)用程序，使應(yīng)用程序能夠執(zhí)行以前難以編程的任務(wù)。
• 機(jī)器學(xué)習(xí)依賴於經(jīng)驗(yàn)，通過示例訓(xùn)練模型，而不是向其提供規(guī)則。機(jī)器學(xué)習(xí)算法有不同的類別，每種類別都可以解決特定問題：監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。
• Python 由於其簡(jiǎn)單性、可讀性和廣泛的生態(tài)系統(tǒng)（包括 Scikit-learn、TensorFlow 和 PyTorch 等庫(kù)和框架）而成為一種流行的機(jī)器學(xué)習(xí)語(yǔ)言。但是，理解 Python 編程、NumPy、Pandas 和 Matplotlib 等庫(kù)以及統(tǒng)計(jì)和概率的基本概念是前提條件。
• 實(shí)施機(jī)器學(xué)習(xí)模型的過程包括定義問題、收集數(shù)據(jù)、將數(shù)據(jù)集拆分為訓(xùn)練集和測(cè)試集、構(gòu)建模型以及評(píng)估其性能。交叉驗(yàn)證和訓(xùn)練測(cè)試拆分等技術(shù)，以及準(zhǔn)確性、精確率、召回率和 F1 分?jǐn)?shù)等指標(biāo)，可用於驗(yàn)證模型的性能。

機(jī)器學(xué)習(xí)的工作原理？

經(jīng)典編程依賴於可以分解為不同的類、函數(shù)和 if-else 命令的明確定義的問題。另一方面，機(jī)器學(xué)習(xí)依賴於根據(jù)經(jīng)驗(yàn)發(fā)展其行為。您不是向機(jī)器學(xué)習(xí)模型提供規(guī)則，而是通過示例對(duì)其進(jìn)行訓(xùn)練。

機(jī)器學(xué)習(xí)算法有不同的類別，每種類別都可以解決特定問題。

監(jiān)督學(xué)習(xí)

監(jiān)督學(xué)習(xí)適用於您想要從輸入數(shù)據(jù)到結(jié)果的問題。所有監(jiān)督學(xué)習(xí)問題的共同特徵是存在一個(gè)可以用來(lái)測(cè)試模型的真實(shí)情況，例如標(biāo)記的圖像或歷史銷售數(shù)據(jù)。

監(jiān)督學(xué)習(xí)模型可以解決回歸或分類問題。回歸模型預(yù)測(cè)數(shù)量（例如銷售的商品數(shù)量或股票價(jià)格），而分類問題試圖確定輸入數(shù)據(jù)的類別（例如貓/狗/魚/鳥、欺詐/非欺詐）。

圖像分類、人臉檢測(cè)、股票價(jià)格預(yù)測(cè)和銷售預(yù)測(cè)是監(jiān)督學(xué)習(xí)可以解決的問題示例。

一些流行的監(jiān)督學(xué)習(xí)算法包括線性回歸和邏輯回歸、支持向量機(jī)、決策樹和人工神經(jīng)網(wǎng)絡(luò)。

無(wú)監(jiān)督學(xué)習(xí)

無(wú)監(jiān)督學(xué)習(xí)適用於您擁有數(shù)據(jù)但不是結(jié)果，而是尋找模式的問題。例如，您可能希望根據(jù)客戶的相似性將其分組為細(xì)分市場(chǎng)。這在無(wú)監(jiān)督學(xué)習(xí)中稱為聚類?；蛘?，您可能希望檢測(cè)偏離企業(yè)正?；顒?dòng)的惡意網(wǎng)絡(luò)流量。這稱為異常檢測(cè)，這是另一項(xiàng)無(wú)監(jiān)督學(xué)習(xí)任務(wù)。無(wú)監(jiān)督學(xué)習(xí)也可用於降維，這是一種通過去除無(wú)關(guān)特徵來(lái)簡(jiǎn)化機(jī)器學(xué)習(xí)任務(wù)的技巧。

一些流行的無(wú)監(jiān)督學(xué)習(xí)算法包括 K 均值聚類和主成分分析 (PCA)。

強(qiáng)化學(xué)習(xí)

強(qiáng)化學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)分支，其中智能體試圖通過與其環(huán)境交互來(lái)實(shí)現(xiàn)目標(biāo)。強(qiáng)化學(xué)習(xí)涉及動(dòng)作、狀態(tài)和獎(jiǎng)勵(lì)。未經(jīng)訓(xùn)練的強(qiáng)化學(xué)習(xí)智能體從隨機(jī)採(cǎi)取行動(dòng)開始。每個(gè)動(dòng)作都會(huì)改變環(huán)境的狀態(tài)。如果智能體發(fā)現(xiàn)自己處?kù)端锠顟B(tài)，則會(huì)獲得獎(jiǎng)勵(lì)。智能體試圖找到產(chǎn)生最多獎(jiǎng)勵(lì)的動(dòng)作和狀態(tài)序列。

強(qiáng)化學(xué)習(xí)用於推薦系統(tǒng)、機(jī)器人技術(shù)和遊戲機(jī)器人，例如穀歌的 AlphaGo 和 AlphaStar。

設(shè)置 Python 環(huán)境

在這篇文章中，我們將重點(diǎn)關(guān)注監(jiān)督學(xué)習(xí)，因?yàn)樗亲盍餍械臋C(jī)器學(xué)習(xí)分支，並且其結(jié)果更容易評(píng)估。我們將使用 Python，因?yàn)樗哂性S多支持機(jī)器學(xué)習(xí)應(yīng)用程序的功能和庫(kù)。但是，一般概念可以應(yīng)用於任何具有類似庫(kù)的編程語(yǔ)言。

（如果您不熟悉 Python，freeCodeCamp 提供了一個(gè)很棒的速成課程，可以幫助您入門。）

通常用於數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)的 Python 庫(kù)之一是 Scikit-learn，它提供了流行機(jī)器學(xué)習(xí)算法的實(shí)現(xiàn)。 Scikit-learn 不是基本 Python 安裝的一部分，您必須手動(dòng)安裝它。

macOS 和 Linux 預(yù)裝了 Python。要安裝 Scikit-learn 庫(kù)，請(qǐng)?jiān)诮K端窗口中鍵入以下命令：

<code>pip install scikit-learn</code>

或?qū)?Python 3：

<code>python3 -m pip install scikit-learn</code>

在 Microsoft Windows 上，您必須首先安裝 Python。您可以從官方網(wǎng)站獲取最新版本的 Windows Python 3 安裝程序。安裝 Python 後，在命令行窗口中鍵入以下命令：

<code>python -m pip install scikit-learn</code>

或者，您可以安裝Anaconda 框架，其中包括獨(dú)立安裝的Python 3 以及Scikit-learn 和許多其他用於數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)的庫(kù)，例如Numpy、Scipy 和Matplotlib。您可以在其官方網(wǎng)站上找到 Anaconda 免費(fèi)個(gè)人版的安裝說明。

步驟 1：定義問題

每個(gè)機(jī)器學(xué)習(xí)項(xiàng)目的第一個(gè)步驟是了解您想要解決的問題。定義問題將幫助您確定需要收集的數(shù)據(jù)類型，並讓您了解需要使用哪種機(jī)器學(xué)習(xí)算法。

在我們的例子中，我們想要?jiǎng)?chuàng)建一個(gè)模型，根據(jù)花瓣和萼片長(zhǎng)度和寬度的測(cè)量結(jié)果來(lái)預(yù)測(cè)花的種類。

這是一個(gè)監(jiān)督分類問題。我們需要收集不同花卉標(biāo)本的測(cè)量列表及其相應(yīng)的物種。然後，我們將使用這些數(shù)據(jù)來(lái)訓(xùn)練和測(cè)試一個(gè)可以將測(cè)量結(jié)果映射到物種的機(jī)器學(xué)習(xí)模型。

步驟 2：收集數(shù)據(jù)

機(jī)器學(xué)習(xí)最棘手的部分之一是收集數(shù)據(jù)來(lái)訓(xùn)練您的模型。您必須找到一個(gè)可以收集訓(xùn)練模型所需數(shù)量數(shù)據(jù)的來(lái)源。您還需要驗(yàn)證數(shù)據(jù)的質(zhì)量，確保它代表模型將處理的不同情況，並避免收集包含隱藏偏差的數(shù)據(jù)。

幸運(yùn)的是，Scikit-learn 包含幾個(gè)玩具數(shù)據(jù)集，可以用來(lái)嘗試不同的機(jī)器學(xué)習(xí)算法。 “鳶尾花數(shù)據(jù)集”恰好包含我們問題所需的確切數(shù)據(jù)。我們只需要從庫(kù)中加載它即可。

以下代碼加載住房數(shù)據(jù)集：

<code>pip install scikit-learn</code>

鳶尾花數(shù)據(jù)集包含 150 個(gè)觀測(cè)值，每個(gè)觀測(cè)值包含四個(gè)測(cè)量值 (iris.data) 和目標(biāo)花卉種類 (iris.target)?？梢栽?iris.feature_names 中看到數(shù)據(jù)列的名稱：

<code>python3 -m pip install scikit-learn</code>

iris.target 包含數(shù)據(jù)集中註冊(cè)的三個(gè)花卉種類之一的數(shù)字索引 (0-2)。花卉種類的名稱可在 iris.target_names 中找到：

<code>python -m pip install scikit-learn</code>

步驟 3：拆分?jǐn)?shù)據(jù)集

在開始訓(xùn)練之前，您必須將數(shù)據(jù)拆分為訓(xùn)練集和測(cè)試集。您將使用訓(xùn)練集來(lái)訓(xùn)練機(jī)器學(xué)習(xí)模型，並使用測(cè)試集來(lái)驗(yàn)證其準(zhǔn)確性。

這樣做是為了確保您的模型沒有過度擬合訓(xùn)練數(shù)據(jù)。過度擬合是指您的機(jī)器學(xué)習(xí)模型在訓(xùn)練示例上的表現(xiàn)良好，但在未見過的數(shù)據(jù)上的表現(xiàn)不佳。過度擬合可能是由於選擇了錯(cuò)誤的機(jī)器學(xué)習(xí)算法、對(duì)模型進(jìn)行了錯(cuò)誤的配置、訓(xùn)練數(shù)據(jù)不佳或訓(xùn)練示例太少而導(dǎo)致的。

根據(jù)您正在解決的問題類型和擁有的數(shù)據(jù)量，您必須確定要分配給測(cè)試集的數(shù)據(jù)量。通常，當(dāng)您擁有大量數(shù)據(jù)（大約數(shù)萬(wàn)個(gè)示例）時(shí)，即使只有大約 1% 的小樣本也足以測(cè)試您的模型。對(duì)於包含總共 150 條記錄的鳶尾花數(shù)據(jù)集，我們將選擇 75-25 分割。

Scikit-learn 有一個(gè) train_test_split 函數(shù)，它將數(shù)據(jù)集拆分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集：

<code>from sklearn.datasets import load_iris

iris = load_iris()
</code>

train_test_split 獲取數(shù)據(jù)和目標(biāo)數(shù)據(jù)集，並返回用於訓(xùn)練 (X_train 和 y_train) 和測(cè)試 (X_test 和 y_test) 的兩對(duì)數(shù)據(jù)集。 test_size 參數(shù)確定將分配給測(cè)試的數(shù)據(jù)百分比（介於 0 和 1 之間）。 stratify 參數(shù)確保訓(xùn)練數(shù)組和測(cè)試數(shù)組包含來(lái)自每個(gè)類別的平衡樣本數(shù)。 random_state 變量存在於 Scikit-learn 的許多函數(shù)中，用於控制隨機(jī)數(shù)生成器並實(shí)現(xiàn)可重複性。

步驟 4：構(gòu)建模型

現(xiàn)在我們的數(shù)據(jù)已準(zhǔn)備就緒，我們可以創(chuàng)建一個(gè)機(jī)器學(xué)習(xí)模型並在訓(xùn)練集上對(duì)其進(jìn)行訓(xùn)練。有許多不同的機(jī)器學(xué)習(xí)算法可以解決我們正在處理的分類問題。在我們的例子中，我們將使用“邏輯回歸”算法，它非?？?，適用於簡(jiǎn)單且不包含太多維度的分類問題。

Scikit-learn 的 LogisticRegression 類實(shí)現(xiàn)了此算法。實(shí)例化它之後，我們將通過調(diào)用 fit 函數(shù)在我們的訓(xùn)練集 (X_train 和 y_train) 上對(duì)其進(jìn)行訓(xùn)練。這將調(diào)整模型的參數(shù)以找到測(cè)量值和花卉種類之間的映射。

<code>pip install scikit-learn</code>

步驟 5：評(píng)估模型

現(xiàn)在我們已經(jīng)訓(xùn)練了模型，我們想要衡量它的準(zhǔn)確性。 LogisticRegression 類有一個(gè) score 方法，它返回模型的準(zhǔn)確性。首先，我們將衡量模型在訓(xùn)練數(shù)據(jù)上的準(zhǔn)確性：

<code>python3 -m pip install scikit-learn</code>

這將返回大約 0.97，這意味著該模型準(zhǔn)確預(yù)測(cè)了 97% 的訓(xùn)練示例的類別，考慮到我們每個(gè)物種只有大約 37 個(gè)訓(xùn)練示例，這已經(jīng)相當(dāng)不錯(cuò)了。

接下來(lái)，我們將檢查模型在測(cè)試集上的準(zhǔn)確性：

<code>python -m pip install scikit-learn</code>

這將給我們大約 95% 的結(jié)果，略低於訓(xùn)練準(zhǔn)確性，這是很自然的，因?yàn)檫@些是模型從未見過的示例。通過創(chuàng)建更大的數(shù)據(jù)集或嘗試另一種機(jī)器學(xué)習(xí)算法（例如支持向量機(jī)），我們或許能夠進(jìn)一步提高模型的準(zhǔn)確性，並彌合訓(xùn)練和測(cè)試性能之間的差距。

最後，我們想看看如何在新的示例上使用我們訓(xùn)練好的模型。 LogisticRegression 類有一個(gè) predict 函數(shù)，它以觀測(cè)值數(shù)組作為輸入，並返回預(yù)測(cè)的類別。在我們的花卉分類器模型的情況下，我們需要向它提供四個(gè)測(cè)量值的數(shù)組（萼片長(zhǎng)度、萼片寬度、花瓣長(zhǎng)度、花瓣寬度），它將返回一個(gè)整數(shù)，表示花的類別：

<code>from sklearn.datasets import load_iris

iris = load_iris()
</code>

恭喜！您創(chuàng)建了您的第一個(gè)機(jī)器學(xué)習(xí)模型。我們現(xiàn)在可以將其組合到一個(gè)應(yīng)用程序中，該應(yīng)用程序從用戶那裡獲取測(cè)量結(jié)果並返回花卉種類：

<code>print(iris.feature_names)
'''
['sepal length (cm)',
 'sepal width (cm)',
 'petal length (cm)',
 'petal width (cm)']
'''
</code>

希望這是您成為機(jī)器學(xué)習(xí)大師的第一步。從這裡開始，您可以繼續(xù)學(xué)習(xí)其他機(jī)器學(xué)習(xí)算法，學(xué)習(xí)更多關(guān)於機(jī)器學(xué)習(xí)基本概念的知識(shí)，並繼續(xù)學(xué)習(xí)更高級(jí)的主題，例如神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)。通過一些學(xué)習(xí)和實(shí)踐，您將能夠創(chuàng)建能夠檢測(cè)圖像中的物體、處理語(yǔ)音命令並與用戶進(jìn)行對(duì)話的非凡應(yīng)用程序。

使用 Python 進(jìn)行機(jī)器學(xué)習(xí)的常見問題解答 (FAQ)

學(xué)習(xí)使用 Python 進(jìn)行機(jī)器學(xué)習(xí)的先決條件是什麼？

要開始學(xué)習(xí)使用 Python 進(jìn)行機(jī)器學(xué)習(xí)，您需要對(duì) Python 編程有基本的了解。熟悉 NumPy、Pandas 和 Matplotlib 等庫(kù)也很有益。此外，對(duì)統(tǒng)計(jì)和概率的基本了解至關(guān)重要，因?yàn)樗鼈儤?gòu)成了機(jī)器學(xué)習(xí)算法的核心。

Python 與其他機(jī)器學(xué)習(xí)語(yǔ)言相比如何？

由於其簡(jiǎn)單性和可讀性，Python 是最流行的機(jī)器學(xué)習(xí)語(yǔ)言之一。它擁有廣泛的庫(kù)和框架，例如 Scikit-learn、TensorFlow 和 PyTorch，這些庫(kù)和框架簡(jiǎn)化了機(jī)器學(xué)習(xí)模型的開發(fā)。 R 和 Java 等其他語(yǔ)言也用於機(jī)器學(xué)習(xí)，但 Python 廣泛的生態(tài)系統(tǒng)使其成為許多人的首選。

我可以使用 Python 實(shí)現(xiàn)哪些常見的機(jī)器學(xué)習(xí)算法？

Python 的 Scikit-learn 庫(kù)提供了各種機(jī)器學(xué)習(xí)算法的實(shí)現(xiàn)。一些常用的算法包括線性回歸、邏輯回歸、決策樹、隨機(jī)森林、支持向量機(jī)和 k 近鄰。對(duì)於深度學(xué)習(xí)，您可以使用 TensorFlow 和 PyTorch 等庫(kù)。

如何驗(yàn)證我的 Python 機(jī)器學(xué)習(xí)模型的性能？

您可以使用交叉驗(yàn)證和訓(xùn)練測(cè)試拆分等技術(shù)來(lái)驗(yàn)證模型的性能。 Python 的 Scikit-learn 庫(kù)為此提供了函數(shù)。此外，您可以使用準(zhǔn)確性、精確率、召回率和 F1 分?jǐn)?shù)等指標(biāo)來(lái)進(jìn)行分類問題，並使用均方誤差或 R 平方來(lái)進(jìn)行回歸問題。

我可以使用 Python 進(jìn)行監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)嗎？

是的，Python 支持監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)。可以使用 Scikit-learn 等庫(kù)來(lái)實(shí)現(xiàn)回歸和分類等監(jiān)督學(xué)習(xí)算法。對(duì)於無(wú)監(jiān)督學(xué)習(xí)，您可以使用 K 均值、層次聚類和 DBSCAN 等聚類算法。

如何處理機(jī)器學(xué)習(xí)模型中的過度擬合？

可以使用正則化、提前停止和神經(jīng)網(wǎng)絡(luò)的 dropout 等技術(shù)來(lái)處理過度擬合。您還可以使用 bagging 和 boosting 等集成方法來(lái)減少過度擬合。

數(shù)據(jù)預(yù)處理在使用 Python 進(jìn)行機(jī)器學(xué)習(xí)中的作用是什麼？

數(shù)據(jù)預(yù)處理是機(jī)器學(xué)習(xí)中的一個(gè)關(guān)鍵步驟。它包括清理數(shù)據(jù)、處理缺失值、編碼分類變量和縮放特徵。 Python 提供了 Pandas 和 Scikit-learn 等庫(kù)，可以進(jìn)行高效的數(shù)據(jù)預(yù)處理。

如何使用 Python 可視化機(jī)器學(xué)習(xí)模型的性能？

您可以使用 Matplotlib 和 Seaborn 等庫(kù)來(lái)可視化模型的性能。這些庫(kù)提供了繪製混淆矩陣、ROC 曲線和學(xué)習(xí)曲線等圖形的函數(shù)。

我可以使用 Python 進(jìn)行自然語(yǔ)言處理 (NLP) 嗎？

是的，Python 提供了 NLTK 和 SpaCy 等庫(kù)用於自然語(yǔ)言處理。這些庫(kù)提供了標(biāo)記化、詞性標(biāo)註、命名實(shí)體識(shí)別和情感分析等功能。

如何部署使用 Python 構(gòu)建的機(jī)器學(xué)習(xí)模型？

您可以使用 Flask 或 Django 等 Web 框架來(lái)部署機(jī)器學(xué)習(xí)模型。對(duì)於大規(guī)模部署，您可以使用 AWS、Google Cloud 或 Azure 等雲(yún)平臺(tái)。它們提供模型部署、擴(kuò)展和監(jiān)控的服務(wù)。

以上是Python的機(jī)器學(xué)習(xí)底漆的詳細(xì)內(nèi)容。更多資訊請(qǐng)關(guān)注PHP中文網(wǎng)其他相關(guān)文章！