Pythonda scikit kutubxonasi

Pythonda scikit kutubxonasi

Pythonda scikit kutubxonasi
Scikit-learn - ma'lumotlar fanlari va mashinalarni o'rganish uchun eng keng tarqalgan Python paketlaridan biri. U ko'plab operatsiyalarni bajarishga imkon beradi va ko'plab algoritmlarni taqdim etadi. Scikit-learn shuningdek, uning sinflari, usullari va funktsiyalari haqida mukammal hujjatlarni, shuningdek, ishlatiladigan algoritmlarning tavsifini taklif etadi.
Scikit-Learn qo'llab-quvvatlaydi:

• ma'lumotlarni oldindan qayta ishlash;

  
  

• o'lchamlarni qisqartirish;

  
  

• model tanlash;

  
  

• regressiya;

  
  

• tasniflash;

  
  

• klaster tahlili.

  
  

Shuningdek, u modellaringizni sinab ko'rish uchun foydalanishingiz mumkin bo'lgan bir nechta ma'lumotlar to'plamini taqdim etadi.

Scikit-learn mashinani o'rganish bilan bog'liq hamma narsani amalga oshirmaydi. Masalan, u quyidagilar uchun har tomonlama yordamga ega emas:

• neyron tarmoqlari;

  
  

• o'z-o'zini tashkil qiluvchi xaritalar (Kohonen tarmoqlari);

  
  

• assotsiatsiya qoidalarini o'rganish;

  
  

• mustahkamlash o'rganish.

  
  

Scikit-learn NumPy va SciPy -ga asoslangan , shuning uchun Scikit-learn-dan samarali foydalanish uchun kamida ushbu ikkita kutubxona asoslarini tushunishingiz kerak.
Scikit-learn - bu ochiq manba paketidir. Python ekotizimidagi ko'pgina narsalar singari, u hatto tijorat maqsadlarida foydalanish uchun ham bepul. U BSD litsenziyasi ostida litsenziyalangan.
Ushbu maqolada biz scikit-learn-ning ba'zi xususiyatlarini qisqacha tanishtiramiz.
Ma'lumotlarni oldindan qayta ishlash
Maʼlumotlaringizni mashina oʻrganish algoritmlari uchun tayyorlash uchun scikit-learn dan foydalanishingiz mumkin: maʼlumotlarni standartlashtirish yoki normallashtirish, toifali oʻzgaruvchilarni kodlash va boshqalar.
Avval ishlash uchun NumPy massivini aniqlaymiz:
>>> numpy ni np sifatida import qiling
>>> x = np.array([[0.1, 1.0, 22.8],
... [0.5, 5.0, 41.2],
... [1.2, 12.0, 2.8],
... [0.8, 8.0, 14.0]])
>>> x
massiv([[ 0.1, 1. , 22.8],
[ 0.5, 5. , 41.2],
[ 1.2, 12. , 2.8],
[ 0.8, 8. , 14 .]])
Har bir ustunning (moddaning) o'rtacha qiymati nolga teng va standart og'ish bitta bo'lishi uchun siz tez-tez ma'lumotlarni o'zgartirishingiz kerak. Bunday holda siz sklearn.preprocessing.StandardScaler dan foydalanishingiz mumkin:
>>> sklearn.preprocessing importidan StandardScaler
>>> scaler = StandardScaler()
>>> scaled_x = scaler.fit_transform(x)
>>> scaler.scale_
array([ 0.40311289, 4.03112887, 14.0442187, 14.0442187, 14.0442159]an scaler >_
>>r .
massiv([ 0.65, 6.5 , 20.2 ])
>>> scaler.var_
massivi([1.6250e-01, 1.6250e+01, 1.9724e+02])
>>> scaled_x
massivi([[-1.3643828.4, -1.36438285.01. ],
[-0,3721042 , -0,3721042 , 1,4952775 ],
[ 1,36438208, 1,36438208, -1,23894421], [ 0,3721042 , 0,3894421], [ 0,3721042 , 0,40421], [-0,3721042 , -0,3721042 , 1,4952775
] (masshtabli).
massiv([ 1.66533454e-16, -1.38777878e-17, 1.52655666e-16])

>>> scaled_x.std(axis=0)

massiv([1., 1., 1.])
>>> scaler.inverse_transform(scaled_x)
massivi([[ 0.1, 1. , 22.8],
[ 0.5, 5. , 41.2],
[1.2, 12. , 2.8],
[0.8, 8. , 14. ]])
Sizda ba'zi kategorik ma'lumotlar mavjud va siz ularni raqamlarga aylantirishingiz kerak bo'ladi. Buning usullaridan biri sklearn.preprocessing.OneHotEncoder sinfidan foydalanishdir. Kompaniyadagi rollar massivlari bilan quyidagi misolni ko'rib chiqing:
>>> sklearn.preprocessing import OneHotEncoder
>>> rollar = np.array([('Tom', 'menejer'),
... ('Meri', 'ishlab chiquvchi'),
... ('Ann', 'recruiter'),
... ('Jim', 'ishlab chiquvchi')])
>>> rollar
massivi([['Tom', 'menejer'],
['Meri', 'ishlab chiquvchi'],
['Ann' , 'recruiter'],
['Jim', 'developer']], dtype='>> encoder = OneHotEncoder()
>>> encoded_roles = encoder.fit_transform(rollar[:, [1]])
>>> encoded_roles.toarray()
massivi([[0., 1., 0.],
[1., 0., 0.],
[0., 0., 1.],
[1., 0., 0.]])
Yuqoridagi misolda encoded_roles obyektining birinchi ustuni har bir xodim ishlab chiquvchi ekanligini ko'rsatadi. Ikkinchi va to'rtinchi xodimlar (Meri va Jim) ishlab chiquvchilardir. Ikkinchi ustun menejerning lavozimi bilan bog'liq. Faqat birinchi xodim (Tom) bu lavozimga ega. Nihoyat, uchinchi ustun ishga qabul qiluvchining lavozimiga mos keladi va bu uchinchi xodim (Ann).