Python机器学习基础-全套PPT课件.pptx

第1章概述;1.1什么是机器学习

;

;

;1.2机器学习的算法

;

监督学习;

无监督学习;

半监督学习;

1.3监督学习;

;

;

1.4无监督学习;

;

;1.5数据集;

;

;

;泛化、过拟合、欠拟合;

;

1.6机器学习项目的流程;

;

;

;

;

;

;

;1.7小结;THANKS;第2章Python机器学习的使用;2.1Python语言介绍;Python被称为“胶水语言”，不仅可以使用Python编程，还可以使用C语言、C++编写，他把耗时的代码交给C/C++等高效率的语言进行实现，然后通过粘合来使用，这样就使得Python运行时间得到简化。;Python还具有列表、元组、字典等核心数据类型，以及集合、队列等无需进一步编程就能直接使用。;由于Python可以应用到多个领域，功能比较广泛，可扩展性强，所以基于Python生成了非常多的第三方库，这些库Python本身不带，运用时需要先安装，然后才能导入，Python包含了大量的第三方库可以运用到机器学习，比如：图形库，数学函数库，机器学习算法库等。;2.2Python平台搭建;Python下载;软件安装;第三方库的安装;2.3Python入门;数据类型;;;;基本运算;;控制语句;;复杂数据类型;;;;;;;;;;;;2.4Python库的使用;;;;;;;;;;;;;;;;;;;;2.5小结;THANKS;第2章监督学习;3.1K近邻算法;;;;;;;;;;工作原理

k=1;;;;;;;对二分类数据可视化决策边界可视化;;;;;;;;;;;3.2线性回归;;;;;;;;;; 线性回归在线性可分的情况下表现得非常出色，但对于线性不可分的情况下，会表现得束手无策，比如对于以下数据：;;;;;;;;;3.3岭回归;;;;;;;;;;;3.4LASSON回归;;;;;;;;;3.5逻辑回归;;;;;;;;;;3.6朴素贝叶斯算法;;;;;;;因为多项式朴素贝叶斯只适用于处理非负离散数值，所以在下面对数据进行了归一化。;;;;;;3.7决策树;;;;;;;;;;;;;;;;;

;;3.8随机森林;;;;;接下来实现又三棵树组成的随机森林。

fromsklearn.datasetsimportload_iris

fromsklearn.model_selectionimporttrain_test_split

fromsklearn.ensembleimportRandomForestClassifier

importmatplotlib.pyplotasplt

importmglearn

iris=load_iris()

X=iris.data[:,2:4]

y=iris.target

X_train,X_test,y_train,y_test=train_test_split(X,y,random_state=3)

forest=RandomForestClassifier(n_estimators=3,max_depth=3)

forest.fit(X_train,y_train)

fig,axes=plt.subplots(2,2,figsize=(6,6))

fori,(ax,tree)inenumerate(zip(axes.ravel(),forest.estimators_)):

ax.set_title(tree{}.format(i))

mglearn.plots.plot_tree_partition(X_train,y_train,tree,ax=ax)

mglearn.plots.plot_2d_separator(forest,X_train,fill=True,alpha=0.4)

axes[-1,-1].set_title(Randomforest)

mglearn.discrete_scatter(X_train[:,0],X_train[:,1],y_train)

plt.show();; 从图中可以看出每棵树都有不同的决策边界，而随机森林最后的模型由三棵树综合而成。随机森林比任何一棵树的过拟合都要小，给出的决策边界也更符合直觉。还查看随机森林对数据集中特征重要的的处理。

fromsklearn.datasetsimportload_iris

fromsklearn.model_selectionimporttrain_test_split

fromsklearn.ensembleimportRandomForestClassifier

iris=load_iris()

X_train,X_test,y