机器学习入门笔记

背景

最近学习了一些关于机器学习的内容，做个笔记。

具体步骤

1.环境搭建

需要用到的工具：pycharm，anaconda
anaconda可以帮助我们创造虚拟的python环境，并在环境当中安装各种所需要的包，而且每个虚拟环境都是互相独立的，非常方便。
我们可以单独创建一个sklearn的环境，用于学习。

在命令行里面打开这个环境，并安装所需要的工具

pip install -U scikit-learn
pip install numpy scipy matplotlib

其中，sklearn集成了常见的一些机器学习的算法，可以让我们直接调用，https://www.scikitlearn.com.cn/。
NumPy可以做一些科学计算，https://www.numpy.org.cn/。
matplotlib是一个绘图工具，可以将我们的计算结果绘制成图形，https://matplotlib.org/。

anaconda环境搭建好了之后，可以在pycharm里面选择使用我们搭建好的python环境，

这样就可以开始愉快的玩耍了。

2.写个demo

这个demo是用线性回归模型预测波士顿的房价，数据库是来源于sklearn框架。机器学习编程都有一定的套路，具体分为以下几步：

1.数据处理

原始的load_boston()获取数据库方法从1.2版本已经被移除，需要使用链接获取。

其中data就是影响房价的因素，如当地的犯罪率，房屋年龄，房屋间数，和就业中心的距离等等，target就是房价。

data_url = "http://lib.stat.cmu.edu/datasets/boston"
raw_df = pd.read_csv(data_url, sep="\s+", skiprows=22, header=None)
data = np.hstack([raw_df.values[::2, :], raw_df.values[1::2, :2]])
target = raw_df.values[1::2, 2]

2.分割数据集

我们需要将原始的数据集拆分成训练集和测试集，这里是三七分，当然拆分的比例我们可以自定义。

X = data
y = target
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

3.用模型训练数据，并得到预测结果

注意这里，用训练集得到训练模型之后，用测试集的输入得到测试集的预测输出。

LR = LinearRegression()
LR.fit(X_train, y_train)
y_pred = LR.predict(X_test)  # 得到预测结果

4.绘制结果

这里我们就可以将原始数据测试集的输出和预测输出做个对比，并绘制成图形。

# x轴为真实的价格，y轴为预测价格
plt.scatter(y_test, y_pred)
plt.xlabel("Real Price")
plt.ylabel("Predicted Price")
plt.title("Real Prices vs Predicted prices")
plt.grid()
# 对比线，越接近y=x这条线，效果越好
x = np.arange(0, 50)
y = x
plt.plot(x, y, color='red', lw=4)
plt.text(30, 40, "predict line")
plt.show()

图形如下，其中红色表示y=x的图形，方便我们参考对比。
x轴是真实价格，y轴是预测价格，两个价格越接近，表示我们模型训练得越好。

5.评估

我们还可以用方差来进行评估，方差值越小，表明效果越好

mse = metrics.mean_squared_error(y_test, y_pred)
print(mse)

我们得到方差值为27，看来这个效果比较一般，我们需要考虑使用其他的模型来预测房价。