|
「?jìng)€(gè)人感想」 ?看到Udemy中機(jī)器學(xué)習(xí)的教程，講師用的是Rstudio操作的R，用的是Spyder操作的Python，驚艷了我。決定學(xué)習(xí)一下這個(gè)編輯器的操作，做一下記錄。 ?  1. Spyder編輯器介紹Spyder是一個(gè)強(qiáng)大的科學(xué)環(huán)境是用Python編寫編輯器，由科學(xué)家，工程師和數(shù)據(jù)分析師所設(shè)計(jì)。它具有一個(gè)綜合開發(fā)工具的高級(jí)編輯、分析、調(diào)試和概要分析功能與科學(xué)包的數(shù)據(jù)探索、交互執(zhí)行、深度檢查和漂亮的可視化功能的獨(dú)特組合。此外，Spyder還內(nèi)置集成了許多流行的科學(xué)軟件包，包括NumPy、SciPy、Pandas、IPython、QtConsole、Matplotlib、Sympy等等。 2. Spyder安裝推薦使用anaconda進(jìn)行安裝，安裝完成之后，直接點(diǎn)擊windows鍵輸入Spyder就可以打開軟件。 3. 測(cè)試代碼新建一個(gè)test.py文件 # test
print("hello world")
a = 1
b = 2
c = a + b
運(yùn)行程序，可以選中，點(diǎn)擊ctrl + return，會(huì)運(yùn)行腳本。 「運(yùn)行結(jié)果：」 4. 測(cè)試作圖test.py增加畫圖代碼，anconda安裝好之后，像常用的pandas, numpy, matplotlib都可以直接使用，默認(rèn)都已經(jīng)安裝過了。 import matplotlib.pyplot as plt
import numpy as np
dat = np.random.rand(100)
plt.plot(dat)
plt.show()
點(diǎn)擊圖片，顯示圖片。 5. 做一個(gè)簡(jiǎn)單的回歸分析「代碼：」 # regression
import numpy as np
import pandas as pd
from statsmodels.formula.api import ols
np.random.seed(123)
x = np.random.random(100)
y = 0.3*x + np.random.random(100)
dd = pd.DataFrame({"x":x,"y":y})
dd.head()
model = ols("y~x",dd).fit()
print(model.summary())
「結(jié)果：」  6. 使用感想功能類似Rstudio，但是不是一行一行執(zhí)行的，而是按照腳本執(zhí)行。有變量名，有圖片顯示，有幫助文檔，有文件路徑，功能非常全。 ?這里，有一個(gè)感想，Spyder里面的代碼補(bǔ)全功能很強(qiáng)大，不用考慮一行一行的執(zhí)行，代碼要成塊的寫。類似谷歌瀏覽器剛開始搜索直接在網(wǎng)址的地方，非常不習(xí)慣，想要找到類似瀏覽器搜索窗口的功能，一直沒有找到。導(dǎo)致我用火狐很久，因?yàn)榛鸷邢嚓P(guān)設(shè)置。工作后，用了這么長(zhǎng)時(shí)間谷歌瀏覽器，為它的簡(jiǎn)潔和設(shè)計(jì)折服，瀏覽器就該這么使用！因?yàn)榫W(wǎng)址框的搜索設(shè)計(jì)非常友好，可以輸入網(wǎng)址，可以鍵入關(guān)鍵詞，自動(dòng)匹配之前的記錄。現(xiàn)在想起來，之前一心想找?guī)阉骺虻墓δ?，是因?yàn)樽约旱乃季S沒有打開，沒有想到那一層，以前可能真的是執(zhí)念太深……。用R語言的習(xí)慣去套用python，用Rstudio的思路去套用Spyder，都會(huì)有這種問題，學(xué)習(xí)一個(gè)東西，就用最地道的方式學(xué)習(xí)吧！ ? 7. 一個(gè)簡(jiǎn)單的機(jī)器學(xué)習(xí)示例這是一個(gè)資料里面的數(shù)據(jù)和代碼，剛開始先鍵入別人的代碼，然后再自己鍵入代碼，真的是需要鍵入1萬行代碼后，才會(huì)熟悉python常用的方法，常用的格式，常用的套路。 「數(shù)據(jù)格式：」 「數(shù)據(jù)描述：」這是一個(gè)工作經(jīng)驗(yàn)?zāi)攴莺托劫Y待遇的數(shù)據(jù)，一般來說，年份越多，薪資越高。 「分析思路：」這里使用機(jī)器學(xué)習(xí)的思路，將數(shù)據(jù)分為：參考群和候選群，或者叫“訓(xùn)練群體”和“測(cè)試群體”，然后用回歸分析建模，然后對(duì)測(cè)試群體進(jìn)行預(yù)測(cè)，查看預(yù)測(cè)的準(zhǔn)確性。 # 簡(jiǎn)單線性回歸分析
# 載入需要的包
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
# 讀取數(shù)據(jù)
dataset = pd.read_csv('Salary_Data.csv')
X = dataset.iloc[:, :-1].values
y = dataset.iloc[:, -1].values
# 把數(shù)據(jù)分為訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)，使用sklearn中的分割函數(shù)
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 1/3, random_state = 0)
# 載入回歸分析
from sklearn.linear_model import LinearRegression
regressor = LinearRegression()
re1 = regressor.fit(X_train, y_train)
# 根據(jù)模型對(duì)測(cè)試數(shù)據(jù)進(jìn)行預(yù)測(cè)
y_pred = regressor.predict(X_test)
# 對(duì)訓(xùn)練群體結(jié)果可視化
plt.scatter(X_train, y_train, color = 'red')
plt.plot(X_train, regressor.predict(X_train), color = 'blue')
plt.title('Salary vs Experience (Training set)')
plt.xlabel('Years of Experience')
plt.ylabel('Salary')
plt.show()
# 對(duì)測(cè)試數(shù)據(jù)的預(yù)測(cè)可視化
plt.scatter(X_test, y_test, color = 'red')
plt.plot(X_train, regressor.predict(X_train), color = 'blue')
plt.title('Salary vs Experience (Test set)')
plt.xlabel('Years of Experience')
plt.ylabel('Salary')
plt.show()
「結(jié)果：」
|
