diff --git a/published/20180926 How to use the Scikit-learn Python library for data science projects.md b/published/20180926 How to use the Scikit-learn Python library for data science projects.md new file mode 100644 index 0000000000..b7ebe9a6bd --- /dev/null +++ b/published/20180926 How to use the Scikit-learn Python library for data science projects.md @@ -0,0 +1,239 @@ +如何将 Scikit-learn Python 库用于数据科学项目 +====== + +> 灵活多样的 Python 库为数据分析和数据挖掘提供了强力的机器学习工具。 + +![](https://opensource.com/sites/default/files/styles/image-full-size/public/lead-images/brain_data.png?itok=RH6NA32X) + +Scikit-learn Python 库最初于 2007 年发布，通常用于解决各种方面的机器学习和数据科学问题。这个多种功能的库提供了整洁、一致、高效的 API 和全面的在线文档。 + +### 什么是 Scikit-learn？ + +[Scikit-learn][1] 是一个开源 Python 库，拥有强大的数据分析和数据挖掘工具。 在 BSD 许可下可用，并建立在以下机器学习库上： + +- `NumPy`，一个用于操作多维数组和矩阵的库。它还具有广泛的数学函数汇集，可用于执行各种计算。 +- `SciPy`，一个由各种库组成的生态系统，用于完成技术计算任务。 +- `Matplotlib`，一个用于绘制各种图表和图形的库。 + +Scikit-learn 提供了广泛的内置算法，可以充分用于数据科学项目。 + +以下是使用 Scikit-learn 库的主要方法。 + +#### 1、分类 + +[分类][2]工具识别与提供的数据相关联的类别。例如，它们可用于将电子邮件分类为垃圾邮件或非垃圾邮件。 + +Scikit-learn 中的分类算法包括： + +- 支持向量机Support vector machines（SVM） +- 最邻近Nearest neighbors +- 随机森林Random forest + +#### 2、回归 + +回归涉及到创建一个模型去试图理解输入和输出数据之间的关系。例如，回归工具可用于理解股票价格的行为。 + +回归算法包括： + +- 支持向量机Support vector machines（SVM） +- 岭回归Ridge regression +- Lasso（LCTT 译注：Lasso 即 least absolute shrinkage and selection operator，又译为最小绝对值收敛和选择算子、套索算法） + +#### 3、聚类 + +Scikit-learn 聚类工具用于自动将具有相同特征的数据分组。 例如，可以根据客户数据的地点对客户数据进行细分。 + +聚类算法包括： + +- K-means +- 谱聚类Spectral clustering +- Mean-shift + +#### 4、降维 + +降维降低了用于分析的随机变量的数量。例如，为了提高可视化效率，可能不会考虑外围数据。 + +降维算法包括： + +- 主成分分析Principal component analysis（PCA） +- 功能选择Feature selection +- 非负矩阵分解Non-negative matrix factorization + +#### 5、模型选择 + +模型选择算法提供了用于比较、验证和选择要在数据科学项目中使用的最佳参数和模型的工具。 + +通过参数调整能够增强精度的模型选择模块包括： + +- 网格搜索Grid search +- 交叉验证Cross-validation +- 指标Metrics + +#### 6、预处理 + +Scikit-learn 预处理工具在数据分析期间的特征提取和规范化中非常重要。 例如，您可以使用这些工具转换输入数据（如文本）并在分析中应用其特征。 + +预处理模块包括： + +- 预处理 +- 特征提取 + +### Scikit-learn 库示例 + +让我们用一个简单的例子来说明如何在数据科学项目中使用 Scikit-learn 库。 + +我们将使用[鸢尾花花卉数据集][3]，该数据集包含在 Scikit-learn 库中。 鸢尾花数据集包含有关三种花种的 150 个细节，三种花种分别为： + +- Setosa：标记为 0 +- Versicolor：标记为 1 +- Virginica：标记为 2 + +数据集包括每种花种的以下特征（以厘米为单位）： + +- 萼片长度 +- 萼片宽度 +- 花瓣长度 +- 花瓣宽度 + +#### 第 1 步：导入库 + +由于鸢尾花花卉数据集包含在 Scikit-learn 数据科学库中，我们可以将其加载到我们的工作区中，如下所示： + +``` +from sklearn import datasets +iris = datasets.load_iris() +``` + +这些命令从 `sklearn` 导入数据集 `datasets` 模块，然后使用 `datasets` 中的 `load_iris()` 方法将数据包含在工作空间中。 + +#### 第 2 步：获取数据集特征 + +数据集 `datasets` 模块包含几种方法，使您更容易熟悉处理数据。 + +在 Scikit-learn 中，数据集指的是类似字典的对象，其中包含有关数据的所有详细信息。 使用 `.data` 键存储数据，该数据列是一个数组列表。 + +例如，我们可以利用 `iris.data` 输出有关鸢尾花花卉数据集的信息。 + +``` +print(iris.data) +``` + +这是输出（结果已被截断）： + +``` +[[5.1 3.5 1.4 0.2] + [4.9 3.  1.4 0.2] + [4.7 3.2 1.3 0.2] + [4.6 3.1 1.5 0.2] + [5.  3.6 1.4 0.2] + [5.4 3.9 1.7 0.4] + [4.6 3.4 1.4 0.3] + [5.  3.4 1.5 0.2] + [4.4 2.9 1.4 0.2] + [4.9 3.1 1.5 0.1] + [5.4 3.7 1.5 0.2] + [4.8 3.4 1.6 0.2] + [4.8 3.  1.4 0.1] + [4.3 3.  1.1 0.1] + [5.8 4.  1.2 0.2] + [5.7 4.4 1.5 0.4] + [5.4 3.9 1.3 0.4] + [5.1 3.5 1.4 0.3] +``` + +我们还使用 `iris.target` 向我们提供有关花朵不同标签的信息。 + +``` +print(iris.target) +``` + +这是输出： + +``` +[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 + 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 + 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 + 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 + 2 2] +``` + +如果我们使用 `iris.target_names`，我们将输出数据集中找到的标签名称的数组。 + +``` +print(iris.target_names) +``` + +以下是运行 Python 代码后的结果： + +``` +['setosa' 'versicolor' 'virginica'] +``` + +#### 第 3 步：可视化数据集 + +我们可以使用[箱形图][4]来生成鸢尾花数据集的视觉描绘。 箱形图说明了数据如何通过四分位数在平面上分布的。 + +以下是如何实现这一目标： + +``` +import seaborn as sns +box_data = iris.data # 表示数据数组的变量 +box_target = iris.target # 表示标签数组的变量 +sns.boxplot(data = box_data,width=0.5,fliersize=5) +sns.set(rc={'figure.figsize':(2,15)}) +``` + +让我们看看结果： + +![](https://opensource.com/sites/default/files/uploads/scikit_boxplot.png) + +在横轴上： + + * 0 是萼片长度 + * 1 是萼片宽度 + * 2 是花瓣长度 + * 3 是花瓣宽度 + +垂直轴的尺寸以厘米为单位。 + +### 总结 + +以下是这个简单的 Scikit-learn 数据科学教程的完整代码。 + +``` +from sklearn import datasets +iris = datasets.load_iris() +print(iris.data) +print(iris.target) +print(iris.target_names) +import seaborn as sns +box_data = iris.data # 表示数据数组的变量 +box_target = iris.target # 表示标签数组的变量 +sns.boxplot(data = box_data,width=0.5,fliersize=5) +sns.set(rc={'figure.figsize':(2,15)}) +``` + +Scikit-learn 是一个多功能的 Python 库，可用于高效完成数据科学项目。 + +如果您想了解更多信息，请查看 [LiveEdu][5] 上的教程，例如 Andrey Bulezyuk 关于使用 Scikit-learn 库创建[机器学习应用程序][6]的视频。 + +有什么评价或者疑问吗？ 欢迎在下面分享。 + +-------------------------------------------------------------------------------- + +via: https://opensource.com/article/18/9/how-use-scikit-learn-data-science-projects + +作者：[Dr.Michael J.Garbade][a] +选题：[lujun9972](https://github.com/lujun9972) +译者：[Flowsnow](https://github.com/Flowsnow) +校对：[wxy](https://github.com/wxy) + +本文由 [LCTT](https://github.com/LCTT/TranslateProject) 原创编译，[Linux中国](https://linux.cn/) 荣誉推出 + +[a]: https://opensource.com/users/drmjg +[1]: http://scikit-learn.org/stable/index.html +[2]: https://blog.liveedu.tv/regression-versus-classification-machine-learning-whats-the-difference/ +[3]: https://en.wikipedia.org/wiki/Iris_flower_data_set +[4]: https://en.wikipedia.org/wiki/Box_plot +[5]: https://www.liveedu.tv/guides/data-science/ +[6]: https://www.liveedu.tv/andreybu/REaxr-machine-learning-model-python-sklearn-kera/oPGdP-machine-learning-model-python-sklearn-kera/ diff --git a/translated/tech/20180926 How to use the Scikit-learn Python library for data science projects.md b/translated/tech/20180926 How to use the Scikit-learn Python library for data science projects.md deleted file mode 100644 index 6f94cb8327..0000000000 --- a/translated/tech/20180926 How to use the Scikit-learn Python library for data science projects.md +++ /dev/null @@ -1,238 +0,0 @@ -如何将Scikit-learn Python库用于数据科学项目 -====== - -![](https://opensource.com/sites/default/files/styles/image-full-size/public/lead-images/brain_data.png?itok=RH6NA32X) - -Scikit-learn Python库最初于2007年发布，从头到尾都通常用于解决机器学习和数据科学问题。 多功能库提供整洁，一致，高效的API和全面的在线文档。 - -### 什么是Scikit-learn？ - -[Scikit-learn][1]是一个开源Python库，拥有强大的数据分析和数据挖掘工具。 在BSD许可下可用，并建立在以下机器学习库上： - -- **NumPy**，一个用于操作多维数组和矩阵的库。 它还具有广泛的数学函数汇集，可用于执行各种计算。 -- **SciPy**，一个由各种库组成的生态系统，用于完成技术计算任务。 -- **Matplotlib**，一个用于绘制各种图表和图形的库。 - -Scikit-learn提供了广泛的内置算法，可以充分用于数据科学项目。 - -以下是使用Scikit-learn库的主要方法。 - -#### 1. 分类 - -[分类][2]工具识别与提供的数据相关联的类别。 例如，它们可用于将电子邮件分类为垃圾邮件或非垃圾邮件。 - -Scikit-learn中的分类算法包括： - -- 支持向量机（SVM） -- 最邻近 -- 随机森林 - -#### 2. 回归 - -回归涉及到创建一个模型去试图理解输入和输出数据之间的关系。 例如，回归工具可用于了解股票价格的行为。 - -回归算法包括： - -- SVM -- 岭回归Ridge regression -- Lasso（LCTT译者注：Lasso 即 least absolute shrinkage and selection operator，又译最小绝对值收敛和选择算子、套索算法） - -#### 3. 聚类 - -Scikit-learn聚类工具用于自动将具有相同特征的数据分组。 例如，可以根据客户数据的地点对客户数据进行细分。 - -聚类算法包括： - -- K-means -- 谱聚类Spectral clustering -- Mean-shift - -#### 4. 降维 - -降维降低了用于分析的随机变量的数量。 例如，为了提高可视化效率，可能不会考虑外围数据。 - -降维算法包括： - -- 主成分分析Principal component analysis（PCA） -- 功能选择Feature selection -- 非负矩阵分解Non-negative matrix factorization - -#### 5. 模型选择 - -模型选择算法提供了用于比较，验证和选择要在数据科学项目中使用的最佳参数和模型的工具。 - -通过参数调整能够增强精度的模型选择模块包括： - -- 网格搜索Grid search -- 交叉验证Cross-validation -- 指标Metrics - -#### 6. 预处理 - -Scikit-learn预处理工具在数据分析期间的特征提取和规范化中非常重要。 例如，您可以使用这些工具转换输入数据（如文本）并在分析中应用其特征。 - -预处理模块包括： - -- 预处理 -- 特征提取 - -### Scikit-learn库示例 - -让我们用一个简单的例子来说明如何在数据科学项目中使用Scikit-learn库。 - -我们将使用[鸢尾花花卉数据集][3]，该数据集包含在Scikit-learn库中。 鸢尾花数据集包含有关三种花种的150个细节，三种花种分别为： - -- Setosa-标记为0 -- Versicolor-标记为1 -- Virginica-标记为2 - -数据集包括每种花种的以下特征（以厘米为单位）： - -- 萼片长度 -- 萼片宽度 -- 花瓣长度 -- 花瓣宽度 - -#### 第1步：导入库 - -由于Iris数据集包含在Scikit-learn数据科学库中，我们可以将其加载到我们的工作区中，如下所示： - -``` -from sklearn import datasets -iris = datasets.load_iris() -``` - -这些命令从**sklearn**导入数据集**datasets**模块，然后使用**datasets**中的**load_iris()**方法将数据包含在工作空间中。 - -#### 第2步：获取数据集特征 - -数据集**datasets**模块包含几种方法，使您更容易熟悉处理数据。 - -在Scikit-learn中，数据集指的是类似字典的对象，其中包含有关数据的所有详细信息。 使用**.data**键存储数据，该数据列是一个数组列表。 - -例如，我们可以利用**iris.data**输出有关Iris花卉数据集的信息。 - -``` -print(iris.data) -``` - -这是输出（结果已被截断）： - -``` -[[5.1 3.5 1.4 0.2] - [4.9 3.  1.4 0.2] - [4.7 3.2 1.3 0.2] - [4.6 3.1 1.5 0.2] - [5.  3.6 1.4 0.2] - [5.4 3.9 1.7 0.4] - [4.6 3.4 1.4 0.3] - [5.  3.4 1.5 0.2] - [4.4 2.9 1.4 0.2] - [4.9 3.1 1.5 0.1] - [5.4 3.7 1.5 0.2] - [4.8 3.4 1.6 0.2] - [4.8 3.  1.4 0.1] - [4.3 3.  1.1 0.1] - [5.8 4.  1.2 0.2] - [5.7 4.4 1.5 0.4] - [5.4 3.9 1.3 0.4] - [5.1 3.5 1.4 0.3] -``` - -我们还使用**iris.target**向我们提供有关花朵不同标签的信息。 - -``` -print(iris.target) -``` - -这是输出： - -``` -[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 - 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 - 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 - 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 - 2 2] - -``` - -如果我们使用**iris.target_names**，我们将输出数据集中找到的标签名称的数组。 - -``` -print(iris.target_names) -``` - -以下是运行Python代码后的结果： - -``` -['setosa' 'versicolor' 'virginica'] -``` - -#### 第3步：可视化数据集 - -我们可以使用[箱形图][4]来生成鸢尾花数据集的视觉描绘。 箱形图说明了数据如何通过四分位数在平面上分布的。 - -以下是如何实现这一目标： - -``` -import seaborn as sns -box_data = iris.data # 表示数据数组的变量 -box_target = iris.target # 表示标签数组的变量 -sns.boxplot(data = box_data,width=0.5,fliersize=5) -sns.set(rc={'figure.figsize':(2,15)}) -``` - -让我们看看结果： - -![](https://opensource.com/sites/default/files/uploads/scikit_boxplot.png) - -在横轴上： - - * 0是萼片长度 - * 1是萼片宽度 - * 2是花瓣长度 - * 3是花瓣宽度 - -垂直轴的尺寸以厘米为单位。 - -### 总结 - -以下是这个简单的Scikit-learn数据科学教程的完整代码。 - -``` -from sklearn import datasets -iris = datasets.load_iris() -print(iris.data) -print(iris.target) -print(iris.target_names) -import seaborn as sns -box_data = iris.data # 表示数据数组的变量 -box_target = iris.target # 表示标签数组的变量 -sns.boxplot(data = box_data,width=0.5,fliersize=5) -sns.set(rc={'figure.figsize':(2,15)}) -``` - -Scikit-learn是一个多功能的Python库，可用于高效完成数据科学项目。 - -如果您想了解更多信息，请查看[LiveEdu][5]上的教程，例如Andrey Bulezyuk关于使用Scikit-learn库创建[机器学习应用程序][6]的视频。 - -有什么评价或者疑问吗？ 欢迎在下面分享。 - --------------------------------------------------------------------------------- - -via: https://opensource.com/article/18/9/how-use-scikit-learn-data-science-projects - -作者：[Dr.Michael J.Garbade][a] -选题：[lujun9972](https://github.com/lujun9972) -译者：[Flowsnow](https://github.com/Flowsnow) -校对：[校对者ID](https://github.com/校对者ID) - -本文由 [LCTT](https://github.com/LCTT/TranslateProject) 原创编译，[Linux中国](https://linux.cn/) 荣誉推出 - -[a]: https://opensource.com/users/drmjg -[1]: http://scikit-learn.org/stable/index.html -[2]: https://blog.liveedu.tv/regression-versus-classification-machine-learning-whats-the-difference/ -[3]: https://en.wikipedia.org/wiki/Iris_flower_data_set -[4]: https://en.wikipedia.org/wiki/Box_plot -[5]: https://www.liveedu.tv/guides/data-science/ -[6]: https://www.liveedu.tv/andreybu/REaxr-machine-learning-model-python-sklearn-kera/oPGdP-machine-learning-model-python-sklearn-kera/ \ No newline at end of file