MachineLearning-Sklearn——環境搭建

概述

本文記錄機器學習庫Sklearn在Ubuntu上的環境搭建，並在搭建好的環境上運行example以驗證環境已經搭建成功；工做之餘學習一下，大勢所趨，別劃了呀！跟上潮流呀！

安裝Sklearn

Sklearn是一套通用機器學習開源框架，主要功能有6部分

1. 分類

2. 迴歸

3. 聚類

4. 降維

5. 模型選擇

6. 數據預處理

Sklearn使用的是Python語言，其安裝和運行還依賴pip、scipy和numpy等
Sklearn網站：http://scikit-learn.org/stabl...

• 安裝python

這裏就不說了，默認機器上都會裝的，若是本身裝的話注意設置環境變量就好了

• 安裝pip

pip是什麼，百度說是一個安裝和管理python包的工具，知道這就夠了

apt-get install python-pip

• 安裝依賴

如下命令安裝sklearn須要的各類依賴庫

apt-get install build-essential python-dev python-numpy python-setuptools python-scipy libatlas-dev libatlas3-base

如下命令安裝一個畫圖工具，用它看程序運行結果

apt-get install python-matplotlib

• 安裝Sklearn

pip install -U scikit-learn

• 確認安裝

如下命令會列出當前系統安裝的全部python依賴

pip install -U scikit-learn

若是結果裏有scikit-learn，說明已經安裝上了

驗證環境

到sklearn官網，點擊example進入General examples頁面，如圖

頁面上有不少機器學習的examples，就選取第一個例子，點擊進入

說這是一個Cross-Validated Predictions(交叉驗證預測)的例子，下面有代碼，能夠下載下來，也能夠本身寫，我是本身照着抄了一遍，熟悉一下python語法，現學現用，前兩天剛在w3c shcool上看了一下python語法大概什麼樣子

這個例子的源碼以下，本文不進行代碼分析和例子的原理研究，使用這個例子的目的只是爲了驗證環境搭建是否成功

from sklearn import datasets
from sklearn.model_selection import cross_val_predict
from sklearn import linear_model
import matplotlib.pyplot as plt

lr = linear_model.LinearRegression()
boston = datasets.load_boston()
y = boston.target

# cross_val_predict returns an array of the same size as `y` where each entry
# is a prediction obtained by cross validation:
predicted = cross_val_predict(lr, boston.data, y, cv=10)

fig, ax = plt.subplots()
ax.scatter(y, predicted, edgecolors=(0, 0, 0))
ax.plot([y.min(), y.max()], [y.min(), y.max()], 'k--', lw=4)
ax.set_xlabel('Measured')
ax.set_ylabel('Predicted')
plt.show()

在Ubuntu上寫好代碼，文件爲plot_cv_predict.py，運行代碼

python plot_cv_predict.py

運行結果如圖

說明環境已經搭建完成

---

關於人工智能的學習資料來源，主要來自如下內容

斯坦福大學 吳恩達機器學習公開課 : 機器學習的動機與應用
開發者頭條 普通程序員如何向人工智能靠攏