Python scikit-learn: библиотека машинного обучения для Python

Python sklearn (Scikit-learn) - это библиотека для машинного обучения, которая предоставляет реализацию различных алгоритмов машинного обучения, таких как классификация, регрессия, кластеризация и многие другие. Scikit-learn построена на библиотеках NumPy, SciPy и Matplotlib.

Примеры кода использования Scikit-learn:

1. Классификация с помощью метода опорных векторов (SVM)

python
# импорт необходимых библиотек
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn import svm
# загрузка набора данных по цветкам Ириса
iris = datasets.load_iris()
# разделение данных на обучающий и тестовый наборы
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.3)
# создание модели SVM
clf = svm.SVC(kernel='linear')
# обучение модели на обучающем наборе
clf.fit(X_train, y_train)
# оценка точности модели на тестовом наборе
print(clf.score(X_test, y_test))

2. Кластеризация с помощью метода K-средних

python
# импорт необходимых библиотек
from sklearn import datasets
from sklearn.cluster import KMeans
# загрузка набора данных по цветкам Ириса
iris = datasets.load_iris()
# создание объекта KMeans с 3 кластерами
kmeans = KMeans(n_clusters=3)
# обучение модели на данных
kmeans.fit(iris.data)
# предсказание кластерной принадлежности
labels = kmeans.predict(iris.data)
# вывод результата
print(labels)

3. Регрессия с помощью метода опорных векторов (SVM)

python
# импорт необходимых библиотек
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn import svm
# загрузка набора данных по ценам на дома в Бостоне
boston = datasets.load_boston()
# разделение данных на обучающий и тестовый наборы
X_train, X_test, y_train, y_test = train_test_split(boston.data, boston.target, test_size=0.3)
# создание модели SVM для регрессии
clf = svm.SVR(kernel='linear')
# обучение модели на обучающем наборе
clf.fit(X_train, y_train)
# оценка точности модели на тестовом наборе
print(clf.score(X_test, y_test))

Это только небольшая часть возможностей, которые предоставляет библиотека Python sklearn. Примеры кода демонстрируют основные принципы использования библиотеки в задачах машинного обучения.