文章编号：2680 / 分类：技术教程 / 更新时间：2024-05-17 14:44:12 / 浏览：次

恭喜您成为首批注册用户

在本章中，我们将重点讨论监督式学习-分类。

为了在Python中构建分类器，将使用Python3和Scikit-learn，这是一个用于机器学习的工具。按照以下步骤在Python中构建分类器-

第1步-导入Scikit-learn这将是在Python中构建分类器的第一步。在这一步中，将安装一个名为Scikit-learn的Python包，它是Python中最好的机器学习模块之一。以下命令导入包-

importsklearn

第2步-导入Scikit-learn的数据集

fromsklearn.datasetsimportload_breast_cancer

现在，以下命令将加载数据集。

data=load_breast_cancer()

以下是字典键列表-

现在，使用以下命令，可以为每个重要信息集创建新变量并分配数据。换句话说，可以用下列命令组织数据-

print(label_names)

上述命令将分别打印恶性和良性的分类名称。输出结果如下-

['malignant''benign']

现在，下面的命令将显示它们被映射到二进制值0和1。这里0表示恶性肿瘤，1表示良性癌症。得到以下输出-

print(labels[0])0

下面给出的两个命令将生成功能名称和功能值。

print(feature_names[0])meanradiusprint(features[0])[1.79900000e011.03800000e011.22800000e021.00100000e031.18400000e-012.77600000e-013.00100000e-011.47100000e-012.41900000e-017.87100000e-021.09500000e009.05300000e-018.58900000e001.53400000e026.39900000e-034.90400000e-025.37300000e-021.58700000e-023.00300000e-026.19300000e-032.53800000e011.73300000e011.84600000e022.01900000e031.62200000e-016.65600000e-017.11900000e-012.65400000e-014.60100000e-011.18900000e-01]

从上面的输出中，可以看到第一个数据实例是一个半径为1.7990000e01的恶性肿瘤。

在这一步中，将把数据分成两部分，即训练集和测试集。将数据分割成这些集合非常重要，因为必须在未看到的数据上测试模型。要将数据分成集合，sklearn有一个叫做train_test_split()函数的函数。在以下命令的帮助下，可以分割这些集合中的数据-

fromsklearn.model_selectionimporttrain_test_split

上述命令将从sklearn中导入train_test_split函数，下面的命令将数据分解为训练和测试数据。在下面给出的例子中，使用40%的数据进行测试，其余数据将用于训练模型。

train,test,train_labels,test_labels=train_test_split(features,labels,test_size=0.40,random_state=42)

第4步-建立模型在这一步中，我们将建立模型。使用朴素贝叶斯算法来构建模型。以下命令可用于构建模型-

fromsklearn.naive_bayesimportGaussianNB

上述命令将导入GaussianNB模块。现在，以下命令用来初始化模型。

gnb=GaussianNB()

将通过使用gnb.fit()将它拟合到数据来训练模型。

model=gnb.fit(train,train_labels)

第5步-评估模型及其准确性在这一步中，我们将通过对测试数据进行预测来评估模型。为了做出预测，我们将使用predict()函数。以下命令做到这一点-

preds=gnb.predict(test)print(preds)##--结果如下[100110001110101011101101111110111111010110111111110011111001100111001100101111110110000011111111001001001110110110001110011010011000111011001011010011111110011111111111101110110111111000110101111011011101001111111101111101001101]

上述0和1系列是肿瘤类别的预测值-恶性和良性。

现在，通过比较两个数组即test_labels和preds，可以发现模型的准确性。使用accuracy_score()函数来确定准确性。考虑下面的命令-

fromsklearn.metricsimportaccuracy_scoreprint(accuracy_score(test_labels,preds))0.951754385965

结果显示NaïveBayes分类器准确率为95.17%。

通过这种方式，借助上述步骤，我们可以使用Python构建分类器。

违法和不良信息举报电话：173-0602-2364|

相关标签： AI人工智能在Python中构建分类器的步骤、

本文地址：https://www.badfl.com/article/c46b38374f0b376ff1c5.html

上一篇：AI人工智能在Python中构建分类器...
下一篇：AI人工智能数据预处理技术...