Sklearn库和TensorFlow框架

雨点打透心脏的1/2处 2021-09-15 20:54 384阅读 0赞

声明：代码的运行环境为Python3。Python3与Python2在一些细节上会有所不同，希望广大读者注意。本博客以代码为主，代码中会有详细的注释。相关文章将会发布在我的个人博客专栏[《Python从入门到机器学习》][Python]，欢迎大家关注。下面开始我们的第六讲：Sklearn库和TensorFlow框架。

[一、Python机器学习基础之Python的基本语法（一）][Python_Python]

[二、Python机器学习基础之Python的基本语法（二）][Python_Python 1]

[三、Python机器学习基础之Numpy库的使用][Python_Numpy]

[四、Python机器学习基础之Pandas库的使用][Python_Pandas]

[五、Python机器学习基础之Matplotlib库的使用][Python_Matplotlib]

六、Sklearn库和TensorFlow框架

[七、Python两种方式加载文件内容][Python 1]

本文主要对Sklearn库和TensorFlow框架进行介绍，Sklearn库中封装了大量的算法，如：分类、回归、聚类等等。它跟TensorFlow框架都是机器学习中至关重要的一环。

**一、Sklearn库**

Sklearn是Python中的一个非常重要的机器学习库，在Sklearn库中不仅封装了大量的机器学习算法，它还内置了数据集，节省了获取和整理数据的时间。下面将简单介绍一下Sklearn库中常用的算法。

1、无监督学习算法

2、监督学习算法

<table> 
 <tbody> 
 <tr> 
 <td style="background-color:#bfbfbf;width:213.05pt;"> 算法 </td> 
 <td style="background-color:#bfbfbf;width:213.05pt;"> 说明 </td> 
 </tr> 
 <tr> 
 <td style="vertical-align:top;width:213.05pt;"> tree </td> 
 <td style="vertical-align:top;width:213.05pt;"> 决策树 </td> 
 </tr> 
 <tr> 
 <td style="vertical-align:top;width:213.05pt;"> svm </td> 
 <td style="vertical-align:top;width:213.05pt;"> 支持向量机 </td> 
 </tr> 
 <tr> 
 <td style="vertical-align:top;width:213.05pt;"> neighbors </td> 
 <td style="vertical-align:top;width:213.05pt;"> 近邻算法 </td> 
 </tr> 
 <tr> 
 <td style="vertical-align:top;width:213.05pt;"> linear_model </td> 
 <td style="vertical-align:top;width:213.05pt;"> 广义线性模型 </td> 
 </tr> 
 <tr> 
 <td style="vertical-align:top;width:213.05pt;"> neural_network </td> 
 <td style="vertical-align:top;width:213.05pt;"> 神经网络 </td> 
 </tr> 
 <tr> 
 <td style="vertical-align:top;width:213.05pt;"> kernel_ridge </td> 
 <td style="vertical-align:top;width:213.05pt;"> 岭回归 </td> 
 </tr> 
 <tr> 
 <td style="vertical-align:top;width:213.05pt;"> naive_bayes </td> 
 <td style="vertical-align:top;width:213.05pt;"> 朴素贝叶斯 </td> 
 </tr> 
 <tr> 
 <td style="vertical-align:top;width:213.05pt;"> cross_decomposition </td> 
 <td style="vertical-align:top;width:213.05pt;"> 交叉分解 </td> 
 </tr> 
 </tbody> 
</table>

3、数据变换

注意：以上的每个模型中都包含着多个算法，使用某算法时，直接导入需要的包即可。例如：

from sklearn.linear_model import logistic

**二、TensorFlow框架的基本使用**

TensorFlow是一个编程系统，使用图来表示计算任务。图中的节点被称之为op（operation的缩写）。一个op获得0个或多个tensor，执行计算并产生0个或多个tensor。每个 tensor是一个类型化的多维数组。在Python语言中，返回的tensor是NumPy中的ndarray对象。下面我们就对TensorFlow如何使用进行简单的介绍。

1、常量变量的定义

# 导入需要的包
    import tensorflow as tf
    
    #常量的定义
    cl = tf.constant(9)
    
    # 变量的定义
    bl = tf.Variable(tf.zeros(2, 2))
    
    # 变量要想使用，需要执行以下代码
    init = tf.initialize_all_variables()

如上例所示，调用TensorFlow中的constant()方法可以定义一个常量，调用Variable()方法可以定义一个变量。这里需要注意的是，变量定义完之后如果想要使用的话还要执行上例中的最后一条代码。

2、占位符的使用

占位符常用于变量定义时，定义变量需要初始化，但是有些变量在定义的时候是不知道他们的值的，这个时候就可以使用占位符来代替，定义方法如下。

# 占位符
    zwf = tf.placeholder(tf.int16, [None, 88])

placeholder()方法可以定义一个占位符。上例中定义的占位符指定了zwf这个变量的类型和大小。

3、图的使用

就像上面所说的那样，在TensorFlow中，要实现具体的运算，如最基本的加减乘除，我们不能直接定义几个变量进行运算，要使用图来表示计算任务。一个TensorFlow图描述了计算的过程。为了进行计算, 图必须在session里被启动，session运行整个计算过程。

a = tf.Variable(5)
    b = tf.Variable(5)
    c = a * b
    
    init = tf.initialize_all_variables()
    with tf.Session() as sess:
        sess.run(init)
        print(sess.run(c))

输出结果：

上例中的sess.run()是执行操作，session创建使用完之后要释放。如果使用占位符的话，需要使用run()方法中的feed\_dict参数为其赋值。  
        注意：要先执行初始化变量操作再执行相应的运算。

你们在此过程中遇到了什么问题，欢迎留言，让我看看你们都遇到了哪些问题。

[Python]: https://blog.csdn.net/column/details/22367.html
[Python_Python]: https://blog.csdn.net/gdkyxy2013/article/details/80230248
[Python_Python 1]: https://blog.csdn.net/gdkyxy2013/article/details/80230492
[Python_Numpy]: https://blog.csdn.net/gdkyxy2013/article/details/80237596
[Python_Pandas]: https://blog.csdn.net/gdkyxy2013/article/details/80290755
[Python_Matplotlib]: https://blog.csdn.net/gdkyxy2013/article/details/80294021
[Python 1]: https://blog.csdn.net/gdkyxy2013/article/details/81979214