本章内容非常适合有些同学想要从事机器人开发的,我们在正式开始学习之前,一定是先对基础的内容进行了解,包括函数,方法,语法等等,当然还有我们本章要让大家接触的算法,重要的,也是经常会在机器上面遇到的sklearn算法,肯定有很多人不了解吧,那就一起来看下吧~
1、高斯朴素贝叶斯 (GaussianNB)
介绍如何使用sklearn来实现GaussianNB
from sklearn import datasets
iris = datasets.load_iris()
from sklearn.naive_bayes import GaussianNB
gnb = GaussianNB()
y_pred = gnb.fit(iris.data, iris.target).predict(iris.data)
print("Number of mislabeled points out of a total %d points : %d"
% (iris.data.shape[0],(iris.target != y_pred).sum()))
2、多项式朴素贝叶斯 (MultinomialNB/MNB)
随机生成一组数据,然后使用MultinomialNB算法来学习。
import numpy as np
X = np.random.randint(50, size=(1000, 100))
y = np.random.randint(6, size=(1000))
from sklearn.naive_bayes import MultinomialNB
clf = MultinomialNB()
clf.fit(X, y)
print(clf.predict(X[2:3]))
3. 伯努利朴素贝叶斯 (BernoulliNB)
BernoulliNB实现了基于多元伯努利分布的数据的朴素贝叶斯训练和分类算法
案例:
import numpy as np
X = np.random.randint(50, size=(1000, 100))
y = np.random.randint(6, size=(1000))
from sklearn.naive_bayes import BernoulliNB
clf = BernoulliNB()
clf.fit(X, Y)
print(clf.predict(X[2:3]))
4. 决策树
决策树作为十大经典算法之一,能够很好的处理多分类问题。
决策树的sklearn接口:
class sklearn.tree.DecisionTreeClassifier(criterion=’gini’, splitter=’best’, max_depth=None, min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0, max_features=None, random_state=None, max_leaf_nodes=None, min_impurity_decrease=0.0, min_impurity_split=None, class_weight=None, presort=False)
好啦,以上就是关于sklearn里面的算法使用了哦~大家如果想了解机器人学习的可以多多看下哦~如果大家还想了解更多的机器人学习知识,可以到python学习网上下载了解。
发表评论
还没有评论,快来抢沙发吧!