Python sklearn 中如何使用算法？

在正式开始学习之前，我们首先要了解基本的内容，包括函数、方法、语法等，当然还有本章我们要让大家知道的算法。重要的是，它们经常在机器上遇到。


肯定有很多人不了解sklearn算法，一起来看看吧~

1、




高斯朴素贝叶斯

(GaussianNB)

from sklearn import datasets
iris = datasets.load_iris()
from sklearn.naive_bayes import GaussianNB
gnb = GaussianNB()
y_pred = gnb.fit(iris.data, iris.target).predict(iris.data)
print("Number of mislabeled points out of a total %d points : %d"
 % (iris.data.shape[0],(iris.target != y_pred).sum()))

2、




多项式朴素贝叶斯

(MultinomialNB/MNB)

import numpy as np
X = np.random.randint(50, size=(1000, 100))
y = np.random.randint(6, size=(1000))
from sklearn.naive_bayes import MultinomialNB
clf = MultinomialNB()
clf.fit(X, y)
print(clf.predict(X[2:3]))

3.



决策树

作为十大经典算法之一，决策树可以很好地处理多分类问题。

决策树的

sklearn接口：

class sklearn.tree.DecisionTreeClassifier(criterion=’gini’, splitter=’best’, max_depth=None, min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0, max_features=None, random_state=None, max_leaf_nodes=None, min_impurity_decrease=0.0, min_impurity_split=None, class_weight=None, presort=False)

好啦，以上就是关于

sklearn里面的算法使用了哦~大家如果想了解机器人学习的可以多多看下哦~如果大家还想了解更多的机器人学习知识，可以到python学习网上下载了解。