安装准备：
安装 matplotlib 库 数据可视化
没有： pip show matplotlib
安装： pip install matplotlib
安装pandas
pip show pandas
pip install pandas
至此，机器学习需要的基础库准备就绪：
import sys
import scipy
import numpy as np
import sklearn
import pandas
import matplotlib
1: 线性回归：
#导入所需库matplotlib,numpy
import matplotlib.pyplot as plt
import numpy as np
#从scikit-learn导入线性模型的线性回归算法
from sklearn import linear_model
#生成数据集
x = np.linspace(-3,3,30)
y = 2*x + 1
# 把序列变矩阵,scikit-learn的fit函数需要的输入参数是矩阵。
x=[[i] for i in x]
y=[[i] for i in y]
#训练线性回归模型
model = linear_model.LinearRegression()
#为模型传入训练参数
model.fit(x,y)
# predict
#model.predict(x_)
# 预测一下，选4个
x_=[[1],[2],[3],[5]]
print ( model.predict(x_))
#数据集绘制，这里并不影响预测，纯粹是为了看一下。
plt.scatter(x,y)
plt.show()
output:
[[ 3.]
[ 5.]
[ 7.]
[11.]]
2: logistic 回归
# ------------logistic回归分类算法-----------
#------------------------------------------
print ("\n------ logistic回归 ------\n")
#从scikit-learn导入线性模型的logistic回归算法
from sklearn.linear_model import LogisticRegression
#鸢尾花分类数据集，是一个分类问题的数据集
from sklearn.datasets import load_iris
#载入鸢尾花数据集
X,y = load_iris(return_X_y=True)
#训练模型
#clf=LogisticRegression().fit(X,y) 出错了。因为增大迭代
#max_iter=10000
clf=LogisticRegression(max_iter=3000).fit(X,y)
#使用模型预测
print ('---to Predict:\n')
#clf.predict(X)
print(clf.predict(X))
print ('---to evaluate:\n')
print(clf.score(X,y))
output:
---to Predict:
[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 2 1 1 1
1 1 1 2 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 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]
---to evulate:
0.9733333333333334
KNN分类算法：
# ------------KNN分类算法-----------
#------------------------------------------
print ("\n------ KNN ------\n")
from sklearn.datasets import load_iris
#近邻模型KNN算法
from sklearn.neighbors import KNeighborsClassifier
#载入鸢尾花数据集
X,y = load_iris(return_X_y=True)
clf=KNeighborsClassifier().fit(X,y)
print(clf.predict(X))
print(clf.score(X,y))
output ：
[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 2 1 2 1
1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 1 2 2 2 2
2 2 2 2 2 2 2 2 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]
0.9666666666666667