MachineLearning-Sklearn——环境搭建

概述

本文记录机器学习库Sklearn在Ubuntu上的环境搭建，并在搭建好的环境上运行example以验证环境已经搭建成功；工作之余学习一下，大势所趋，别划了呀！跟上潮流呀！

安装Sklearn

Sklearn是一套通用机器学习开源框架，主要功能有6部分

1. 分类

2. 回归

3. 聚类

4. 降维

5. 模型选择

6. 数据预处理

Sklearn使用的是Python语言，其安装和运行还依赖pip、scipy和numpy等
Sklearn网站：http://scikit-learn.org/stabl...

• 安装python

这里就不说了，默认机器上都会装的，如果自己装的话注意设置环境变量就行了

• 安装pip

pip是什么，百度说是一个安装和管理python包的工具，知道这就够了

apt-get install python-pip

• 安装依赖

以下命令安装sklearn需要的各种依赖库

apt-get install build-essential python-dev python-numpy python-setuptools python-scipy libatlas-dev libatlas3-base  

以下命令安装一个画图工具，用它看程序运行结果

apt-get install python-matplotlib

• 安装Sklearn

pip install -U scikit-learn

• 确认安装

以下命令会列出当前系统安装的所有python依赖

pip install -U scikit-learn

如果结果里有scikit-learn，说明已经安装上了

验证环境

到sklearn官网，点击example进入General examples页面，如图

页面上有很多机器学习的examples，就选取第一个例子，点击进入

说这是一个Cross-Validated Predictions(交叉验证预测)的例子，下面有代码，可以下载下来，也可以自己写，我是自己照着抄了一遍，熟悉一下python语法，现学现用，前两天刚在w3c shcool上看了一下python语法大概什么样子

这个例子的源码如下，本文不进行代码分析和例子的原理研究，使用这个例子的目的只是为了验证环境搭建是否成功

from sklearn import datasets
from sklearn.model_selection import cross_val_predict
from sklearn import linear_model
import matplotlib.pyplot as plt

lr = linear_model.LinearRegression()
boston = datasets.load_boston()
y = boston.target

# cross_val_predict returns an array of the same size as `y` where each entry
# is a prediction obtained by cross validation:
predicted = cross_val_predict(lr, boston.data, y, cv=10)

fig, ax = plt.subplots()
ax.scatter(y, predicted, edgecolors=(0, 0, 0))
ax.plot([y.min(), y.max()], [y.min(), y.max()], 'k--', lw=4)
ax.set_xlabel('Measured')
ax.set_ylabel('Predicted')
plt.show()

在Ubuntu上写好代码，文件为plot_cv_predict.py，运行代码

python plot_cv_predict.py 

运行结果如图

说明环境已经搭建完成

---

关于人工智能的学习资料来源，主要来自以下内容

斯坦福大学 吴恩达机器学习公开课 : 机器学习的动机与应用
开发者头条 普通程序员如何向人工智能靠拢