Python sklearn 学习笔记（快速）

近期在做预测，之前完全没有接触过，编程语言python也是临时找的简单教程学习的。

昨天开始在弄sklearn，然后就各种google，找到很多blog，而且sklearn主页也有很详尽的介绍，但是，时间啊，我木有太多时间来学习。介于此，我把自己的能快速运用sklearn的学习过程讲一下。。。。。

首先有train_data(训练数据)，train_target(训练数据的真实结果)，test_data(测试数据)，test_target(测试数据的真实结果，用来检测预测的正确性)

# 根据身高，体重,男女(1,2)预测此人胖否(0,1)
# 案例是我自己随意写的，当然符合实际情况
# 定义train_data,test_data二维数组[[height,weight,sex],···],train_target一维数组[胖否]
train_data = [[160, 60, 1], [155, 80, 1], [178, 53, 2], [158, 53, 2], [166, 45, 2], [170, 50, 2], [156, 56, 2],
              [166, 50, 1], [175, 55, 1], [188, 68, 1], [159, 41, 2], [166, 70, 1], [175, 85, 1], [188, 98, 1],
              [159, 61, 2]]
train_target = [1, 1, 0, 0, 0, 0, 1, 1, 0, 0, 0, 1, 1, 1, 1]
test_data = [[166, 45, 2], [172, 52, 1], [156, 60, 1], [150, 70, 2]]
test_target = [0, 0, 1, 1]

预测主要用两个函数 fit() 和 predict()

几种常用方法介绍：

SVM

from sklearn import svm

clf = svm.SVC()
clf.fit(train_data, train_target)
result = clf.predict(test_data)
print type(result)  # 转成list 用 result.tolist()
print result  # [0 1 1 1]

Logistic Regression

from sklearn.linear_model import LogisticRegression

clf = LogisticRegression().fit(train_data, train_target)
result = clf.predict_proba(test_data)
print result 
# [[ 0.95138903  0.04861097]
#  [ 0.85670921  0.14329079]
#  [ 0.18763392  0.81236608]
#  [ 0.01270012  0.98729988]]

Linear SVM

from sklearn.svm import LinearSVC

clf = LinearSVC()
clf.fit(train_data, train_target)
result = clf.predict(test_data)
print result  # [0 0 0 1]

Naive Bayes

from sklearn.naive_bayes import  GaussianNB
gnb = GaussianNB().fit(train_data,train_target)
result = gnb.predict(test_data)
print result #[0 0 1 1]

等等

综上Naive Bayes和Logistic Regression在此例中预测是准确的，但是本实例数据量较少，请酌情考虑

近期在做预测，之前完全没有接触过，编程语言python也是临时找的简单教程学习的。