小猿圈Python人工智能之使用sklearn库实现各种分类算法

小猿圈002

人工智能发展的今天，现在很多企业也都在学习python技术开发，但是真正会的却不是很多，那么对于小白的话该如何学习python呢？下面小猿圈Python讲师为你讲解使用sklearn库实现各种分类算法，希望对于学习python开发的你有一定的帮助。

KNN

from sklearn.neighbors import KNeighborsClassifier

import numpy as np

def KNN(X,y,XX)：#X,y 分别为训练数据集的数据和标签，XX为测试数据

  model = KNeighborsClassifier(n_neighbors=10)#默认为5

  model.fit(X,y)

  predicted = model.predict(XX)

  return predicted

SVM

from sklearn.svm import SVC

def SVM(X,y,XX):

  model = SVC(c=5.0)

  model.fit(X,y)

  predicted = model.predict(XX)

  return predicted

SVM Classifier using cross validation

def svm_cross_validation(train_x, train_y):

  from sklearn.grid_search import GridSearchCV

  from sklearn.svm import SVC

  model = SVC(kernel='rbf', probability=True)

  param_grid = {'C': [1e-3, 1e-2, 1e-1, 1, 10, 100, 1000], 'gamma': [0.001, 0.0001]}

  grid_search = GridSearchCV(model, param_grid, n_jobs = 1, verbose=1)

  grid_search.fit(train_x, train_y)

  best_parameters = grid_search.best_estimator_.get_params()

  for para, val in list(best_parameters.items()):

    print(para, val)

  model = SVC(kernel='rbf', C=best_parameters['C'], gamma=best_parameters['gamma'], probability=True)

  model.fit(train_x, train_y)

  return model

LR

from sklearn.linear_model import LogisticRegression

def LR(X,y，XX):

  model = LogisticRegression()

  model.fit(X,y)

  predicted = model.predict(XX)

  return predicted

决策树（CART）

from sklearn.tree import DecisionTreeClassifier

def CTRA(X,y,XX):

  model = DecisionTreeClassifier()

  model.fit(X,y)

  predicted = model.predict(XX)

  return predicted

随机森林

from sklearn.ensemble import RandomForestClassifier

def CTRA(X,y,XX):

  model = RandomForestClassifier()

  model.fit(X,y)

  predicted = model.predict(XX)

  return predicted

GBDT (Gradient Boosting Decision Tree)

from sklearn.ensemble import GradientBoostingClassifier

def CTRA(X,y,XX):

  model = GradientBoostingClassifier()

  model.fit(X,y)

  predicted = model.predict(XX)

  return predicted

朴素贝叶斯：一个是基于高斯分布求概率，一个是基于多项式分布求概率，一个是基于伯努利分布求概率。

from sklearn.naive_bayes import GaussianNB

from sklearn.naive_bayes import MultinomialNB

from sklearn.naive_bayes import BernoulliNB

def GNB(X,y,XX):

  model =GaussianNB()

  model.fit(X,y)

  predicted = model.predict(XX)

  return predicted

def MNB(X,y,XX):

  model = MultinomialNB()

  model.fit(X,y)

  predicted = model.predict(XX

  return predicted

def BNB(X,y,XX):

  model = BernoulliNB()

  model.fit(X,y)

  predicted = model.predict(XX

  return predicted

以上就是小猿圈Python讲师对于使用sklearn库实现各种分类算法的介绍了，相信你有了一定的了解，那么赶快去做吧，记住学习是一门需要坚持的Python交流群：874680195，如果遇到问题可以到小猿圈官网找答案的，里面有最新最全面的课程。