一、创建一个机器模型
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(): 实际上就是训练,对于监督模型来说是 fit(X,y),对于非监督模型是 fit(X)。
2.2 监督模型提供:
model.predict(X_new): 判别新样本
model.predict_proba(X_new): 某些模型可以输出概率,比如 LR,上一个输出的就是概率最大的 target
model.score(): 得分越高,fit 越好
2.3 非监督模型提供:
model.transform(): 从数据中学到新的“基空间”。
model.fit_transform(): 从数据中学到新的基并将这个数据按照这组“基”进行转换。
2.4 接口所处位置:
三、机器学习算法类别及选择
3.1 机器学习算法的类别:
机器学习分为四大块,分别是: classification (分类), clustering (聚类), regression (回归), dimensionality reduction (降维)
3.2 机器学习算法的选择