С чего начать с или python: «Хочу изучать Python. С чего начать?» – Яндекс.Кью

1. : Обязательный. Строка или кортеж строк для поиска.
2. start: Необязательно. Позиция индекса символа в строке, с которой должен начинаться поиск.
3. конец: необязательно. Позиция индекса символа в строке, на которой должен закончиться поиск.

Возвращаемое значение:

Возвращает True, если строка имеет префикс с указанным префиксом; в противном случае возвращает False.

  mystr = 'Привет, мир'

print (mystr.startswith ('')) # всегда возвращает True
печать (mystr.startswith ('H'))
print (mystr.startswith ('Он'))
print (mystr.startswith ('Привет'))
print (mystr.startswith ('Привет, W'))
print (mystr.startswith ('Привет, мир'))
  

  Верно
Правда
Правда
Правда
Правда
Правда
  

начинается с () поиск чувствителен к регистру, как показано ниже.

  mystr = 'Привет, мир'
печать (mystr.startswith ('h'))
печать (mystr.startswith ('он'))
печать (mystr.startswith ('привет'))
  

Параметры start и end ограничивают проверку префикса в строке как индексов. Индекс начинается с 0, т.е. индекс первого символа равен 0, индекс второго символа равен 1 и т. Д. Если параметр end не указан, поиск выполняется до конца строки.

  mystr = 'Привет, мир'

print (mystr.startswith ('e', 1)) # начинается с 'H-> ello World'
print (mystr.startswith ('ll', 2)) # начинается с 'He-> llo World'
print (mystr.startswith ('World', 6)) # начинается с 'Hello -> World'
print (mystr.startswith ('Wor', 6, 9)) # начинается с 'Hello -> World'
  

Теперь рассмотрим следующий пример.

  mystr = '' ''
Python
это язык программирования.'' '

печать (mystr.startswith (''))
печать (mystr.startswith ('\ n'))
печать (mystr.startswith ('Python'))
  

Передача кортежа

В следующем примере содержится кортеж префиксов для поиска.

  langs = 'Python - это язык программирования'
print (langs.startswith (('Python', 'C #', 'Java')) # return True

greet = 'Привет'
print (greet.startswith (('Hello', 'Hey', "What up?")) # возвращает False
  

Python на Windows 10 для начинающих

• 05.05.2021
• 10 минут на чтение

В этой статье

Ниже приводится пошаговое руководство для начинающих, заинтересованных в изучении Python с использованием Windows 10.

Настройте среду разработки

Для новичков, которые плохо знакомы с Python, мы рекомендуем установить Python из Microsoft Store. При установке через Microsoft Store используется базовый интерпретатор Python3, но он обрабатывает настройку параметров PATH для текущего пользователя (избегая необходимости доступа администратора) в дополнение к предоставлению автоматических обновлений. Это особенно полезно, если вы работаете в образовательной среде или в организации, которая ограничивает разрешения или административный доступ на вашем компьютере.

Если вы используете Python в Windows для веб-разработки , мы рекомендуем другую настройку для вашей среды разработки. Вместо того, чтобы устанавливать непосредственно в Windows, мы рекомендуем устанавливать и использовать Python через подсистему Windows для Linux. Для получения справки см .: Начало использования Python для веб-разработки в Windows. Если вас интересует автоматизация общих задач в вашей операционной системе, см. Наше руководство: Начало работы с Python в Windows для написания сценариев и автоматизации. Для некоторых сложных сценариев (например, при необходимости доступа / изменения установленных файлов Python, создания копий двоичных файлов или прямого использования библиотек DLL Python) вы можете рассмотреть возможность загрузки определенной версии Python непосредственно из python.org или рассмотрите возможность установки альтернативы, такой как Anaconda, Jython, PyPy, WinPython, IronPython и т. д. Мы рекомендуем это только в том случае, если вы более продвинутый программист Python с определенной причиной для выбора альтернативной реализации.

Установить Python

Для установки Python с помощью Microsoft Store:

1. Зайдите в меню Пуск (нижний левый значок Windows), введите «Microsoft Store», выберите ссылку, чтобы открыть магазин.

2. Когда магазин открыт, выберите Search в верхнем правом меню и введите «Python».Выберите, какую версию Python вы хотите использовать, из результатов в разделе «Приложения». Мы рекомендуем использовать самую последнюю версию, если у вас нет причин не делать этого (например, согласовать с версией, использованной в уже существующем проекте, над которым вы планируете работать). После того, как вы определились, какую версию хотите установить, выберите Get .

3. После того, как Python завершит процесс загрузки и установки, откройте Windows PowerShell, используя меню Пуск (значок Windows в нижнем левом углу).После открытия PowerShell введите Python --version , чтобы подтвердить, что Python3 установлен на вашем компьютере.

4. Установка Python в Microsoft Store включает pip , стандартный менеджер пакетов. Pip позволяет вам устанавливать и управлять дополнительными пакетами, которые не являются частью стандартной библиотеки Python. Чтобы подтвердить, что у вас также есть pip для установки пакетов и управления ими, введите pip --version .

Установить код Visual Studio

Используя VS Code в качестве текстового редактора / интегрированной среды разработки (IDE), вы можете воспользоваться преимуществами IntelliSense (вспомогательное средство завершения кода), Linting (помогает избежать ошибок в коде), поддержки отладки (помогает находить ошибки в вашем коде). кода после его запуска), фрагменты кода (шаблоны для небольших многократно используемых блоков кода) и модульное тестирование (тестирование интерфейса вашего кода с различными типами ввода).

VS Code также содержит встроенный терминал, который позволяет вам открывать командную строку Python с помощью командной строки Windows, PowerShell или любого другого элемента, который вам больше нравится, обеспечивая непрерывный рабочий процесс между вашим редактором кода и командной строкой.

1. Чтобы установить VS Code, загрузите VS Code для Windows: https://code.visualstudio.com.

2. После установки VS Code необходимо также установить расширение Python. Чтобы установить расширение Python, вы можете выбрать ссылку VS Code Marketplace или открыть VS Code и найти Python в меню расширений (Ctrl + Shift + X).

3. Python – это интерпретируемый язык, и для запуска кода Python вы должны указать VS Code, какой интерпретатор использовать. Мы рекомендуем использовать самую последнюю версию Python, если у вас нет особой причины выбрать что-то другое. После установки расширения Python выберите интерпретатор Python 3, открыв палитру команд (Ctrl + Shift + P), начните вводить команду Python: выберите Interpreter для поиска, затем выберите команду.Вы также можете использовать опцию Select Python Environment в нижней строке состояния, если она доступна (она может уже отображать выбранный интерпретатор). Команда представляет список доступных интерпретаторов, которые VS Code может найти автоматически, включая виртуальные среды. Если вы не видите нужный интерпретатор, см. Настройка сред Python.

4. Чтобы открыть терминал в VS Code, выберите View > Terminal или используйте сочетание клавиш Ctrl + ` (используя обратный апостроф).Терминал по умолчанию – PowerShell.

5. Внутри терминала VS Code откройте Python, просто введя команду: python

6. Попробуйте интерпретатор Python, введя: print ("Hello World") . Python вернет ваше заявление «Hello World».

Установить Git (необязательно)

Если вы планируете сотрудничать с другими над своим кодом Python или разместить свой проект на сайте с открытым исходным кодом (например, GitHub), VS Code поддерживает управление версиями с помощью Git.Вкладка Source Control в VS Code отслеживает все ваши изменения и имеет стандартные команды Git (добавление, фиксацию, push, pull), встроенные прямо в пользовательский интерфейс. Сначала вам нужно установить Git для включения панели управления версиями.

1. Загрузите и установите Git для Windows с веб-сайта git-scm.

2. В комплект входит мастер установки, который задаст вам ряд вопросов о настройках для вашей установки Git. Мы рекомендуем использовать все настройки по умолчанию, если у вас нет особой причины что-то менять.

3. Если вы никогда раньше не работали с Git, руководства GitHub помогут вам начать работу.

Учебник Hello World по основам Python

Python, по словам его создателя Гвидо ван Россума, является «языком программирования высокого уровня, и его основная философия проектирования заключается в удобочитаемости кода и синтаксисе, который позволяет программистам выражать концепции в нескольких строках кода».

Python – это интерпретируемый язык. В отличие от скомпилированных языков, в которых код, который вы пишете, необходимо преобразовать в машинный код, чтобы его мог запускать процессор вашего компьютера, код Python передается прямо в интерпретатор и запускается напрямую.Вы просто вводите свой код и запускаете его. Давай попробуем!

1. Открыв командную строку PowerShell, введите python , чтобы запустить интерпретатор Python 3. (Некоторые инструкции предпочитают использовать команду py или python3 , они также должны работать). Вы узнаете, что добились успеха, потому что отобразится подсказка >>> с тремя символами «больше».

2. Существует несколько встроенных методов, позволяющих изменять строки в Python.Создайте переменную с: variable = 'Hello World!' . Нажмите Enter для новой строки.

3. Распечатайте вашу переменную с помощью: print (variable) . Появится текст «Hello World!».

4. Узнайте длину и количество используемых символов строковой переменной с помощью: len (переменная) . Это покажет, что используется 12 символов. (Обратите внимание, что пробел засчитывается как символ в общей длине.)

5. Преобразуйте строковую переменную в прописные буквы: переменная.верхний () . Теперь преобразуйте вашу строковую переменную в строчные буквы: variable.lower () .

6. Подсчитайте, сколько раз буква «l» используется в вашей строковой переменной: variable.count («l») .

7. Найдите определенный символ в строковой переменной, давайте найдем восклицательный знак с помощью: variable.find ("!") . Это покажет, что восклицательный знак находится в 11-м знаке строки.

8. Замените восклицательный знак вопросительным знаком: переменная.заменить ("!", "?") .

9. Для выхода из Python вы можете ввести exit () , quit () или выбрать Ctrl-Z.

Надеюсь, вам понравилось использовать некоторые из встроенных в Python методов модификации строк. Теперь попробуйте создать программный файл Python и запустить его с помощью VS Code.

Hello World, руководство по использованию Python с VS Code

Команда VS Code составила отличный учебник по началу работы с Python, в котором рассказывается, как создать программу Hello World с Python, запустить файл программы, настроить и запустить отладчик, а также установить такие пакеты, как matplotlib и numpy , на создать графический сюжет внутри виртуальной среды.

1. Откройте PowerShell и создайте пустую папку с именем «hello», перейдите в эту папку и откройте ее в VS Code:

     мкдир привет
   cd привет
   код.
     

2. Когда откроется VS Code, отобразив новую папку hello в левом окне Explorer , откройте окно командной строки на нижней панели VS Code, нажав Ctrl + ` (используя обратный апостроф) или выбрав Вид > Терминал .При запуске VS Code в папке эта папка становится вашим «рабочим пространством». VS Code хранит настройки, специфичные для этой рабочей области, в .vscode / settings.json, которые отделены от пользовательских настроек, которые хранятся глобально.

3. Продолжите руководство в документации VS Code: Создайте файл исходного кода Python Hello World.

Создайте простую игру с Pygame

Pygame – популярный пакет Python для написания игр, который побуждает студентов изучать программирование и одновременно создавать что-то интересное.Pygame отображает графику в новом окне, поэтому он не будет работать при использовании только командной строки WSL. Однако, если вы установили Python через Microsoft Store, как описано в этом руководстве, он будет работать нормально.

1. После установки Python установите pygame из командной строки (или терминала из VS Code), набрав python -m pip install -U pygame --user .

2. Протестируйте установку, запустив образец игры: python -m pygame.examples.aliens

3. Все хорошо, откроется окно игры. Закройте окно, когда закончите играть.

Вот как начать писать свою игру.

1. Откройте PowerShell (или командную строку Windows) и создайте пустую папку с именем «bounce». Перейдите в эту папку и создайте файл с именем «bounce.py». Откройте папку в VS Code:

     отказов mkdir
   cd bounce
   новый элемент bounce.py
   код.
     

2. Используя VS Code, введите следующий код Python (или скопируйте и вставьте его):

     import sys, pygame
   
   pygame.в этом()
   
   размер = ширина, высота = 640, 480
   dx = 1
   dy = 1
   х = 163
   у = 120
   черный = (0,0,0)
   белый = (255,255,255)
   
   screen = pygame.display.set_mode (размер)
   
   а 1:
   
       для события в pygame.event.get ():
           если event.type == pygame.QUIT: sys.exit ()
   
       х + = dx
       y + = dy
   
       если x <0 или x> width:
           dx = -dx
   
       если y <0 или y> высота:
           dy = -dy
   
       screen.fill (черный)
   
       pygame.draw.circle (экран, белый, (x, y), 8)
   
       pygame.display.flip ()
     

3. Сохранить как: bounce.py .

4. В терминале PowerShell запустите его, введя: python bounce.py .

Попробуйте изменить некоторые числа, чтобы увидеть, какое влияние они оказывают на ваш прыгающий мяч.

Узнайте больше о написании игр с помощью pygame на pygame.org.

Ресурсы для продолжения обучения

Мы рекомендуем следующие ресурсы, которые помогут вам продолжить изучение разработки Python в Windows.

Онлайн-курсы для изучения Python

• Введение в Python в Microsoft Learn: попробуйте интерактивную платформу Microsoft Learn и заработайте очки опыта за прохождение этого модуля, охватывающего основы написания базового кода Python, объявления переменных и работы с вводом и выводом консоли.Интерактивная среда песочницы делает ее отличным началом для людей, у которых еще не настроена среда разработки Python.

• Python на Pluralsight: 8 курсов, 29 часов: Путь обучения Python на Pluralsight предлагает онлайн-курсы, охватывающие множество тем, связанных с Python, включая инструмент для измерения ваших навыков и поиска пробелов.

• LearnPython.org Tutorials: начните изучать Python без необходимости устанавливать или настраивать что-либо с помощью этих бесплатных интерактивных руководств по Python от людей из DataCamp.

• Учебники Python.org: неформально знакомит читателя с основными концепциями и функциями языка и системы Python.

• Изучение Python на Lynda.com: базовое введение в Python.

Работа с Python в VS Code

• Редактирование Python в VS Code: узнайте больше о том, как воспользоваться преимуществами автозаполнения VS Code и поддержкой IntelliSense для Python, в том числе о том, как настроить их поведение… или просто выключите их.

• Линтинг Python: Линтинг – это процесс запуска программы, которая анализирует код на предмет потенциальных ошибок. Узнайте о различных формах поддержки линтинга, которые VS Code предоставляет для Python, и о том, как ее настроить.

• Отладка Python: Отладка – это процесс выявления и удаления ошибок в компьютерной программе. В этой статье рассказывается, как инициализировать и настроить отладку для Python с помощью VS Code, как устанавливать и проверять точки останова, прикреплять локальный скрипт, выполнять отладку для различных типов приложений или на удаленном компьютере, а также некоторые основные способы устранения неполадок.

• Модульное тестирование Python: охватывает некоторую предысторию, объясняющую, что такое модульное тестирование, пример пошагового руководства, включение тестовой среды, создание и выполнение ваших тестов, отладочные тесты и настройки конфигурации теста.

Ваш первый проект машинного обучения на Python – шаг за шагом

Последнее обновление 19 августа 2020 г.

Вы хотите заниматься машинным обучением с использованием Python, но у вас возникли проблемы с началом работы?

В этом посте вы завершите свой первый проект машинного обучения с использованием Python.

В этом пошаговом руководстве вы:

1. Загрузите и установите Python SciPy и получите самый полезный пакет для машинного обучения на Python.
2. Загрузите набор данных и разберитесь в его структуре с помощью статистических сводок и визуализации данных.
3. Создайте 6 моделей машинного обучения, выберите лучшую и получите уверенность в надежности.

Если вы новичок в машинном обучении и хотите, наконец, начать использовать Python, это руководство было разработано для вас.

Начните свой проект с моей новой книги «Мастерство машинного обучения с Python», включающей пошаговых руководств и файлов исходного кода Python для всех примеров.

Приступим!

• Обновление, январь / 2017 г. : Обновлено, чтобы отразить изменения в scikit-learn API в версии 0.18.
• Обновление, март / 2017 : добавлены ссылки для помощи в настройке среды Python.
• Обновление, апрель / 2018 : добавлены полезные ссылки о случайности и прогнозировании.
• Обновление сентябрь / 2018 : добавлена ​​ссылка на мою собственную размещенную версию набора данных.
• Обновление февраль / 2019 : Обновлено для sklearn v0.20, также обновлены графики.
• Обновление, октябрь / 2019 : в конце добавлены ссылки на дополнительные руководства, которые можно продолжить.
• Обновление ноябрь / 2019 : Добавлены полные примеры кода для каждого раздела.
• Обновление декабрь / 2019 : Обновлены примеры удаления предупреждений из-за изменений API в v0.22.
• Обновление, январь / 2020 г. : Обновлено: фрагмент кода для тестовой оснастки удален.

Ваш первый проект машинного обучения на Python, шаг за шагом
Фото: cosmoflash, некоторые права защищены.

Как начать машинное обучение на Python?

Лучший способ изучить машинное обучение – разрабатывать и выполнять небольшие проекты.

Python может напугать при запуске

Python – популярный и мощный интерпретируемый язык. В отличие от R, Python представляет собой законченный язык и платформу, которые можно использовать как для исследований, так и для разработки производственных систем.

Существует также множество модулей и библиотек на выбор, предлагающих несколько способов выполнения каждой задачи. Это может показаться подавляющим.

Лучший способ начать использовать Python для машинного обучения – это завершить проект.

• Это заставит вас установить и запустить интерпретатор Python (по крайней мере).
• Это даст вам представление о том, как выполнять небольшой проект с высоты птичьего полета.
• Это придаст вам уверенности, возможно, вы сможете продолжить свои небольшие проекты.

Начинающим нужен небольшой комплексный проект

Книги и курсы разочаровывают. Они дают вам множество рецептов и отрывков, но вы никогда не увидите, как все они сочетаются друг с другом.

Когда вы применяете машинное обучение к своим собственным наборам данных, вы работаете над проектом.

Проект машинного обучения может быть нелинейным, но он имеет ряд хорошо известных шагов:

1. Определить проблему.
2. Подготовить данные.
3. Оценить алгоритмы.
4. Улучшение результатов.
5. Настоящие результаты.

Лучший способ по-настоящему освоить новую платформу или инструмент – это проработать весь проект машинного обучения и охватить ключевые этапы. А именно, от загрузки данных, обобщения данных, оценки алгоритмов и выполнения некоторых прогнозов.

Если вы можете это сделать, у вас есть шаблон, который вы можете использовать для набора данных за набором данных. Вы можете заполнить пробелы, такие как дальнейшая подготовка данных и улучшение результатов задач, позже, когда у вас появится больше уверенности.

Привет, мир машинного обучения

Лучший небольшой проект для начала работы с новым инструментом – это классификация цветов ириса (например, набор данных ириса).

Это хороший проект, потому что он так хорошо изучен.

• Атрибуты числовые, поэтому вам нужно выяснить, как загружать и обрабатывать данные.
• Это проблема классификации, позволяющая вам попрактиковаться, возможно, с более простым типом алгоритма контролируемого обучения.
• Это проблема классификации нескольких классов (многозначная), которая может потребовать специальной обработки.
• У него всего 4 атрибута и 150 строк, то есть он небольшой и легко умещается в памяти (и на экране или на странице A4).
• Все числовые атрибуты представлены в одних и тех же единицах измерения и в одном масштабе, и для начала не требуется никакого специального масштабирования или преобразований.

Давайте начнем с вашего проекта машинного обучения Hello World на Python.

Машинное обучение на Python: пошаговое руководство

В этом разделе мы собираемся проработать небольшой проект машинного обучения от начала до конца.

Вот обзор того, что мы собираемся осветить:

1. Установка платформы Python и SciPy.
2. Загрузка набора данных.
3. Подведение итогов набора данных.
4. Визуализация набора данных.
5. Оценка некоторых алгоритмов.
6. Делаем прогнозы.

Не торопитесь. Прорабатывайте каждый шаг.

Попробуйте ввести команды самостоятельно или скопируйте и вставьте команды, чтобы ускорить процесс.

Если у вас есть какие-либо вопросы, оставьте, пожалуйста, комментарий внизу сообщения.

Нужна помощь с машинным обучением на Python?

Пройдите бесплатный двухнедельный курс электронной почты и откройте для себя подготовку данных, алгоритмы и многое другое (с кодом).

Нажмите, чтобы зарегистрироваться сейчас, а также получите бесплатную электронную версию курса в формате PDF.

Начните БЕСПЛАТНЫЙ мини-курс прямо сейчас!

1. Загрузка, установка и запуск Python SciPy

Установите платформу Python и SciPy в вашей системе, если она еще не установлена.

Я не хочу подробно останавливаться на этом, потому что другие уже сделали это. Это уже довольно просто, особенно если вы разработчик. Если вам действительно нужна помощь, задавайте вопрос в комментариях.

1.1 Установить библиотеки SciPy

В этом руководстве предполагается, что Python версии 2.7 или 3.6+.

Вам необходимо установить 5 ключевых библиотек. Ниже приведен список библиотек Python SciPy, необходимых для этого руководства:

• scipy
• число
• матплотлиб
• панд
• склеарн

Есть много способов установить эти библиотеки.Мой лучший совет – выбрать один метод, а затем последовательно устанавливать каждую библиотеку.

На странице установки scipy представлены отличные инструкции по установке вышеуказанных библиотек на нескольких различных платформах, таких как Linux, Mac OS X и Windows. Если у вас есть сомнения или вопросы, обратитесь к этому руководству, за ним последовали тысячи людей.

• В Mac OS X вы можете использовать macports для установки Python 3.6 и этих библиотек. Для получения дополнительной информации о macports см. Домашнюю страницу.
• В Linux вы можете использовать свой менеджер пакетов, например yum в Fedora, для установки RPM.

Если вы работаете в Windows или не уверены, я бы порекомендовал установить бесплатную версию Anaconda, которая включает в себя все, что вам нужно.

Примечание : В этом руководстве предполагается, что у вас установлена ​​версия scikit-learn 0.20 или выше.

Нужна дополнительная помощь? См. Одно из этих руководств:

1.2 Запустите Python и проверьте версии

Рекомендуется убедиться, что ваша среда Python была успешно установлена ​​и работает должным образом.

Приведенный ниже сценарий поможет вам протестировать вашу среду. Он импортирует каждую библиотеку, необходимую в этом руководстве, и распечатывает версию.

Откройте командную строку и запустите интерпретатор Python:

Я рекомендую работать непосредственно в интерпретаторе или писать сценарии и запускать их в командной строке, а не в больших редакторах и IDE. Делайте вещи простыми и сосредоточьтесь на машинном обучении, а не на цепочке инструментов.

Введите или скопируйте и вставьте следующий сценарий:

# Проверяем версии библиотек # Версия Python import sys print (‘Python: {}’.формат (sys.version)) # scipy импорт scipy print (‘scipy: {}’. format (scipy .__ version__)) # numpy import numpy print (‘число: {}’. формат (число .__ версия__)) # matplotlib импортировать matplotlib print (‘matplotlib: {}’. format (matplotlib .__ version__)) # панды импортные панды print (‘панды: {}’. формат (панды .__ версия__)) # scikit-learn импортный склеарн print (‘sklearn: {}’. format (sklearn .__ version__))

Вот результат, который я получаю на своей рабочей станции OS X:

Python: 3.6.11 (по умолчанию, 29 июня 2020 г., 13:22:26) [GCC 4.2.1, совместимый с Apple LLVM 9.1.0 (clang-902.0.39.2)] scipy: 1.5.2 число: 1.19.1 matplotlib: 3.3.0 панды: 1.1.0 sklearn: 0,23,2

Сравните приведенный выше вывод с вашими версиями.

В идеале, ваши версии должны совпадать или быть более поздними. API-интерфейсы не меняются быстро, поэтому не беспокойтесь, если вы отстали на несколько версий. Скорее всего, все в этом руководстве по-прежнему будет работать для вас.

Если вы получили сообщение об ошибке, остановитесь. Пришло время исправить это.

Если вы не можете запустить приведенный выше сценарий без ошибок, вы не сможете выполнить это руководство.

Мой лучший совет – поискать сообщение об ошибке в Google или задать вопрос на Stack Exchange.

2. Загрузите данные

Мы собираемся использовать набор данных цветов ириса. Этот набор данных известен тем, что он используется в качестве набора данных «привет, мир» в машинном обучении и статистике практически всеми.

Набор данных содержит 150 наблюдений за цветками ириса. Есть четыре столбца размеров цветов в сантиметрах. Пятая колонка – это вид наблюдаемого цветка. Все наблюдаемые цветы принадлежат к одному из трех видов.

Вы можете узнать больше об этом наборе данных в Википедии.

На этом этапе мы собираемся загрузить данные диафрагмы из URL-адреса файла CSV.

2.1 Импорт библиотек

Во-первых, давайте импортируем все модули, функции и объекты, которые мы собираемся использовать в этом руководстве.

# Загрузить библиотеки из панд импортировать read_csv из pandas.plotting import scatter_matrix из matplotlib import pyplot из sklearn.model_selection import train_test_split из sklearn.model_selection импорт cross_val_score из sklearn.model_selection import StratifiedKFold из sklearn.metrics импорт классификации_report из sklearn.metrics импортировать confusion_matrix из sklearn.metrics импортировать precision_score из склеарна.linear_model импорт LogisticRegression из sklearn.tree импортировать DecisionTreeClassifier from sklearn.neighbors import KNeighborsClassifier из sklearn.discriminant_analysis import LinearDiscriminantAnalysis из sklearn.naive_bayes импортировать GaussianNB из sklearn.svm импортировать SVC …

Все должно загрузиться без ошибок. Если у вас есть ошибка, остановитесь. Прежде чем продолжить, вам понадобится рабочая среда SciPy. См. Приведенный выше совет по настройке вашей среды.

2.2 Загрузить набор данных

Мы можем загружать данные прямо из репозитория машинного обучения UCI.

Мы используем панды для загрузки данных. Далее мы также будем использовать панды, чтобы исследовать данные как с описательной статистикой, так и с визуализацией данных.

Обратите внимание, что мы указываем имена каждого столбца при загрузке данных. Это поможет позже, когда мы исследуем данные.

… # Загрузить набор данных url = “https: //raw.githubusercontent.com / jbrownlee / Datasets / master / iris.csv ” names = [‘длина чашелистика’, ‘ширина чашелистника’, ‘длина лепестка’, ‘ширина лепестка’, ‘класс’] набор данных = read_csv (URL, имена = имена)

Набор данных должен загрузиться без происшествий.

Если у вас есть проблемы с сетью, вы можете загрузить файл iris.csv в свой рабочий каталог и загрузить его тем же способом, изменив URL-адрес на имя локального файла.

3. Обобщение набора данных

А теперь пора взглянуть на данные.

На этом этапе мы рассмотрим данные несколькими разными способами:

1. Размеры набора данных.
2. Просмотрите сами данные.
3. Статистическая сводка всех атрибутов.
4. Разбивка данных по переменной класса.

Не волнуйтесь, каждый просмотр данных – это одна команда. Это полезные команды, которые вы можете использовать снова и снова в будущих проектах.

3.1 Размеры набора данных

Мы можем быстро понять, сколько экземпляров (строк) и сколько атрибутов (столбцов) содержат данные с помощью свойства shape.

… # форма печать (dataset.shape)

Вы должны увидеть 150 экземпляров и 5 атрибутов:

3.2 Просмотр данных

Также всегда полезно внимательно следить за своими данными.

… # голова печать (dataset.head (20))

Вы должны увидеть первые 20 строк данных:

длина чашелистика ширина чашелистика длина лепестка класс ширины лепестка 0 5.1 3,5 1,4 0,2 Ирис сетоса 1 4,9 3,0 1,4 0,2 Ирис сетоса 2 4,7 3,2 1,3 0,2 Ирис сетоса 3 4,6 3,1 1,5 0,2 Ирис сетоса 4 5,0 3,6 1,4 0,2 Ирис сетоса 5 5,4 3,9 1,7 0,4 Ирис сетоса 6 4,6 3,4 1,4 0,3 Ирис сетоса 7 5.0 3,4 1,5 0,2 Ирис сетоса 8 4,4 2,9 1,4 0,2 Ирис сетоса 9 4,9 3,1 1,5 0,1 Ирис сетоса 10 5,4 3,7 1,5 0,2 Ирис сетоса 11 4,8 3,4 1,6 0,2 Ирис сетоса 12 4,8 3,0 1,4 0,1 Ирис сетоса 13 4,3 3,0 1,1 0,1 Ирис сетоса 14 5.8 4,0 1,2 0,2 ​​Ирис сетоса 15 5,7 4,4 1,5 0,4 Ирис сетоса 16 5,4 3,9 1,3 0,4 Ирис сетоса 17 5,1 3,5 1,4 0,3 Ирис сетоса 18 5,7 3,8 1,7 0,3 Ирис сетоса 19 5,1 3,8 1,5 0,3 Ирис сетоса

3.3 Статистическая сводка

Теперь мы можем взглянуть на сводку по каждому атрибуту.

Сюда входят подсчет, среднее, минимальное и максимальное значения, а также некоторые процентили.

… # описания print (dataset.describe ())

Мы видим, что все числовые значения имеют одинаковый масштаб (сантиметры) и одинаковые диапазоны от 0 до 8 сантиметров.

длина чашелистика ширина чашелистика длина лепестка ширина лепестка счет 150.000000 150.000000 150.000000 150.000000 среднее 5,843333 3,054000 3,758667 1,198667 стандартный 0,828066 0,433594 1,764420 0,763161 мин. 4.300000 2.000000 1.000000 0,100000 25% 5,100000 2,800000 1,600000 0,300000 50% 5,800000 3,000000 4,350000 1,300000 75% 6.400000 3.300000 5.100000 1.800000 макс. 7.

0 4.400000 6.

0 2.500000

длина чашелистика ширина чашелистика длина лепестка ширина лепестка кол-во 150.000000 150.000000 150.000000 150.000000 среднее 5.843333 3.054000 3.758667 1.198667 std 0.828066 0.433594 1.764420 0.763161 мин. 4.300000 2.000000 1.000000 0.100000 25% 5.100000 2.800000 1.600000 0.300000 50% 5.800000 3.000000 4.350000 50% 5.800000 3.000000 1.30000 50% 5.800000 3.000000 1.3009

3.4 класс распределения

Давайте теперь посмотрим на количество экземпляров (строк), принадлежащих каждому классу. Мы можем рассматривать это как абсолютный подсчет.

… # распределение классов print (dataset.groupby (‘класс’). size ())

… # class distribution print (dataset.groupby (‘class’). Size ())

Мы видим, что каждый класс имеет одинаковое количество экземпляров (50 или 33% набора данных).

класс Ирис сетоса 50 Ирис разноцветный 50 Ирис вирджиника 50

класс Iris-setosa 50 Iris-versicolor 50 Iris-virginica 50

3.5 Полный пример

Для справки, мы можем связать все предыдущие элементы в один скрипт.

Полный пример приведен ниже.

# обобщить данные из панд импортировать read_csv # Загрузить набор данных url = “https://raw.githubusercontent.com/jbrownlee/Datasets/master/iris.csv” names = [‘длина чашелистика’, ‘ширина чашелистника’, ‘длина лепестка’, ‘ширина лепестка’, ‘класс’] набор данных = read_csv (URL, имена = имена) # форма печать (dataset.shape) # голова печать (dataset.head (20)) # описания печать (набор данных.describe ()) # распределение классов print (dataset.groupby (‘класс’).размер ())

# суммировать данные из pandas import read_csv # Загрузить набор данных url = “https://raw.githubusercontent.com/jbrownlee/Datasets/master/iris.csv” names = [‘sepal- length ‘,’ sepal-width ‘,’ petal-length ‘,’ petal-width ‘,’ class ‘] набор данных = read_csv (url, names = names) # shape print (dataset.shape) # head print (датасет.head (20)) # descriptions print (dataset.describe ()) # class distribution print (dataset.groupby (‘class’). size ())

4. Визуализация данных

Теперь у нас есть общее представление о данных. Нам нужно расширить это с помощью некоторых визуализаций.

Мы рассмотрим два типа участков:

1. Одномерные графики для лучшего понимания каждого атрибута.
2. Многомерные графики для лучшего понимания взаимосвязей между атрибутами.

4.1 Одномерные графики

Мы начинаем с нескольких одномерных графиков, то есть графиков каждой отдельной переменной.

Учитывая, что входные переменные являются числовыми, мы можем создать диаграммы в виде ящиков и усов для каждой из них.

… # графиков коробок и усов dataset.plot (kind = ‘box’, subplots = True, layout = (2,2), sharex = False, sharey = False) pyplot.show ()

… # Ящички и усы набор данных.plot (kind = ‘box’, subplots = True, layout = (2,2), sharex = False, sharey = False) pyplot.show ()

Это дает нам гораздо более четкое представление о распределении входных атрибутов:

Ящики и усы для каждой входной переменной для набора данных Iris Flowers

Мы также можем создать гистограмму каждой входной переменной, чтобы получить представление о распределении.

… # гистограммы dataset.hist () пиплот.показать ()

… # гистограммы dataset.hist () pyplot.show ()

Похоже, что две входные переменные имеют гауссово распределение. Это полезно отметить, поскольку мы можем использовать алгоритмы, которые могут использовать это предположение.

Графики гистограммы для каждой входной переменной для набора данных Iris Flowers

4.2 Многомерные графики

Теперь мы можем посмотреть на взаимодействия между переменными.

Во-первых, давайте посмотрим на диаграммы рассеяния всех пар атрибутов. Это может быть полезно для выявления структурированных отношений между входными переменными.

… # матрица точечной диаграммы scatter_matrix (набор данных) pyplot.show ()

… # матрица точечной диаграммы scatter_matrix (набор данных) pyplot.show ()

Обратите внимание на диагональную группировку некоторых пар атрибутов.Это говорит о высокой корреляции и предсказуемой взаимосвязи.

Матричный график рассеяния для каждой входной переменной для набора данных Iris Flowers

4.3 Полный пример

Для справки, мы можем связать все предыдущие элементы в один скрипт.

Полный пример приведен ниже.

# визуализировать данные из панд импортировать read_csv из pandas.plotting import scatter_matrix из matplotlib import pyplot # Загрузить набор данных url = “https: // raw.githubusercontent.com/jbrownlee/Datasets/master/iris.csv ” names = [‘длина чашелистика’, ‘ширина чашелистника’, ‘длина лепестка’, ‘ширина лепестка’, ‘класс’] набор данных = read_csv (URL, имена = имена) # графиков коробок и усов dataset.plot (kind = ‘box’, subplots = True, layout = (2,2), sharex = False, sharey = False) pyplot.show () # гистограммы dataset.hist () pyplot.show () # матрица точечной диаграммы scatter_matrix (набор данных) pyplot.show ()

1 2 3 4 5 6 7 8 9 10 11 12 13 140002 14

# визуализировать данные из pandas import read_csv from pandas.plotting import scatter_matrix from matplotlib import pyplot # Загрузить набор данных url = “https://raw.githubusercontent.com/jbrownlee/Datasets/master/iris.csv” names = [‘sepal-length’, ‘sepal-width’, ‘petal-length’, ‘petal-width’, ‘class’] dataset = read_csv (url, names = names) # графики прямоугольников и усов dataset.plot (kind = ‘ box ‘, subplots = True, layout = (2,2), sharex = False, sharey = False) pyplot.show () # гистограммы набор данных.hist () pyplot.show () # матрица диаграммы рассеяния scatter_matrix (набор данных) pyplot.show ()

5. Оцените некоторые алгоритмы

Теперь пора создать несколько моделей данных и оценить их точность на невидимых данных.

Вот что мы рассмотрим на этом этапе:

1. Отделите набор данных проверки.
2. Настройте тестовый жгут для использования 10-кратной перекрестной проверки.
3. Построить несколько различных моделей для прогнозирования видов на основе измерений цветов
4. Выберите лучшую модель.

5.1 Создание набора данных проверки

Нам нужно знать, что созданная нами модель хороша.

Позже мы будем использовать статистические методы для оценки точности моделей, которые мы создаем на невидимых данных. Мы также хотим получить более конкретную оценку точности лучшей модели на невидимых данных, оценив ее на фактических невидимых данных.

То есть мы собираемся удерживать некоторые данные, которые алгоритмы не смогут увидеть, и мы будем использовать эти данные, чтобы получить второе и независимое представление о том, насколько точной на самом деле может быть лучшая модель.

Мы разделим загруженный набор данных на два, 80% из которых мы будем использовать для обучения, оценки и выбора среди наших моделей, а 20% мы будем удерживать в качестве набора данных для проверки.

… # Разделение набора данных проверки массив = набор данных. значения X = массив [:, 0: 4] y = массив [:, 4] X_train, X_validation, Y_train, Y_validation = train_test_split (X, y, test_size = 0.20, random_state = 1)

… # Разделенный набор данных проверки array = dataset.values ​​ X = array [:, 0: 4] y = array [:, 4] X_train, X_validation, Y_train, Y_validation = train_test_split (X, y, размер_теста = 0,20, случайное_состояние = 1)

Теперь у вас есть обучающие данные в X_train и Y_train для подготовки моделей и в наборах X_validation и Y_validation , которые мы можем использовать позже.

Обратите внимание, что мы использовали фрагмент Python для выбора столбцов в массиве NumPy.Если это новость для вас, возможно, вы захотите проверить этот пост:

5.2 Испытательный жгут

Мы будем использовать стратифицированную 10-кратную перекрестную проверку для оценки точности модели.

Это разделит наш набор данных на 10 частей, обучит на 9 и тестирует на 1 и будет повторяться для всех комбинаций разбиений поезд-тест.

Стратифицированный означает, что каждая свертка или разделение набора данных будет стремиться к тому же распределению примера по классам, которое существует во всем наборе обучающих данных.

Дополнительную информацию о методе перекрестной проверки в k-кратном порядке см. В руководстве:

Мы устанавливаем случайное начальное число с помощью аргумента random_state на фиксированное число, чтобы гарантировать, что каждый алгоритм оценивается на одних и тех же разделах набора обучающих данных.

Конкретное случайное начальное число не имеет значения, подробнее о генераторах псевдослучайных чисел можно узнать здесь:

Для оценки моделей мы используем показатель « точность ».

Это отношение количества правильно спрогнозированных экземпляров к общему количеству экземпляров в наборе данных, умноженное на 100 для получения процентного значения (например, с точностью 95%). Мы будем использовать переменную для оценки при следующем запуске сборки и оценки каждой модели.

5.3 модели сборки

Мы не знаем, какие алгоритмы подходят для этой проблемы или какие конфигурации использовать.

Из графиков мы получаем представление о том, что некоторые классы частично линейно разделимы в некоторых измерениях, поэтому мы ожидаем в целом хороших результатов.

Давайте протестируем 6 различных алгоритмов:

• Логистическая регрессия (LR)
• Линейный дискриминантный анализ (LDA)
• K-Ближайшие соседи (KNN).
• Деревья классификации и регрессии (CART).
• Наивный Байес по Гауссу (NB).
• Машины опорных векторов (SVM).

Это хорошая смесь простых линейных (LR и LDA), нелинейных (KNN, CART, NB и SVM) алгоритмов.

Давайте построим и оценим наши модели:

… # Алгоритмы выборочной проверки models = [] models.append ((‘LR’, LogisticRegression (solver = ‘liblinear’, multi_class = ‘ovr’))) models.append ((‘LDA’, LinearDiscriminantAnalysis ())) models.append ((‘KNN’, KNeighborsClassifier ())) модели.append ((‘КОРЗИНА’, DecisionTreeClassifier ())) models.append ((‘NB’, GaussianNB ())) models.append ((‘SVM’, SVC (gamma = ‘auto’))) # оцениваем каждую модель по очереди результаты = [] имена = [] для имени, модели в моделях: kfold = StratifiedKFold (n_splits = 10, random_state = 1, shuffle = True) cv_results = cross_val_score (модель, X_train, Y_train, cv = kfold, scoring = ‘precision’) results.append (cv_results) names.append (имя) print (‘% s:% f (% f)’% (name, cv_results.mean (), cv_results.std ()))

1 2 3 4 5 6 7 8 9 10 11 12 13 140002 14 18

… # Алгоритмы выборочной проверки models = [] models.append ((‘LR’, LogisticRegression (solver = ‘liblinear’, multi_class = ‘ovr’))) моделей.append ((‘LDA’, LinearDiscriminantAnalysis ())) models.append ((‘KNN’, KNeighborsClassifier ())) models.append ((‘CART’, DecisionTreeClassifier ())) models.append ( (‘NB’, GaussianNB ())) models.append ((‘SVM’, SVC (gamma = ‘auto’))) # оценить каждую модель по очереди results = [] names = [ ] для названия, модель в моделях: kfold = StratifiedKFold (n_splits = 10, random_state = 1, shuffle = True) cv_results = cross_val_score (model, X_train, Y_train, cv = kfold, scoring = ‘precision’) результатов.append (cv_results) names.append (name) print (‘% s:% f (% f)’% (name, cv_results.mean (), cv_results.std ()))

5.4 Выбрать лучшую модель

Теперь у нас есть 6 моделей и оценки точности для каждой. Нам нужно сравнить модели друг с другом и выбрать наиболее точные.

Запустив приведенный выше пример, мы получаем следующие необработанные результаты:

LR: 0,960897 (0,052113) LDA: 0,973974 (0,040110) КНН: 0.957191 (0,043263) КОРЗИНА: 0,957191 (0,043263) NB: 0,948858 (0,056322) SVM: 0,983974 (0,032083)

LR: 0,960897 (0,052113) LDA: 0,973974 (0,040110) KNN: 0,957191 (0,043263) КОРЗИНА: 0,957191 (0,043263) NB: 0,948858 (0,0956322) SVM: 0,948858 (0,0956322)

Примечание : Ваши результаты могут отличаться из-за стохастической природы алгоритма или процедуры оценки или различий в числовой точности.Подумайте о том, чтобы запустить пример несколько раз и сравнить средний результат.

Какие баллы вы набрали?
Разместите свои результаты в комментариях ниже.

В этом случае мы видим, что похоже, что машины опорных векторов (SVM) имеют наибольшую оценку точности около 0,98 или 98%.

Мы также можем создать график результатов оценки модели и сравнить разброс и среднюю точность каждой модели. Для каждого алгоритма существует совокупность показателей точности, поскольку каждый алгоритм оценивался 10 раз (с помощью 10-кратной перекрестной проверки).

Полезный способ сравнить выборки результатов для каждого алгоритма - создать график в виде прямоугольников и усов для каждого распределения и сравнить распределения.

... # Сравнить алгоритмы pyplot.boxplot (результаты, метки = имена) pyplot.title ('Сравнение алгоритмов') pyplot.show ()

... # Алгоритмы сравнения pyplot.boxplot (результаты, метки = имена) pyplot.title ('Сравнение алгоритмов') pyplot.show ()

Мы видим, что диаграммы ящика и усов раздавлены в верхней части диапазона, при этом многие оценки достигают 100% точности, а некоторые опускаются до высокой точности 80%.

График ящиков и усов, сравнивающий алгоритмы машинного обучения на наборе данных Iris Flowers

5.5 Полный пример

Для справки, мы можем связать все предыдущие элементы в один скрипт.

Полный пример приведен ниже.

# сравнить алгоритмы из панд импортировать read_csv из matplotlib import pyplot из sklearn.model_selection import train_test_split из sklearn.model_selection импорт cross_val_score из sklearn.model_selection import StratifiedKFold из sklearn.linear_model import LogisticRegression из sklearn.tree импортировать DecisionTreeClassifier from sklearn.neighbors import KNeighborsClassifier из склеарна.Discriminant_analysis импорт LinearDiscriminantAnalysis из sklearn.naive_bayes импортировать GaussianNB из sklearn.svm импортировать SVC # Загрузить набор данных url = "https://raw.githubusercontent.com/jbrownlee/Datasets/master/iris.csv" names = ['длина чашелистика', 'ширина чашелистника', 'длина лепестка', 'ширина лепестка', 'класс'] набор данных = read_csv (URL, имена = имена) # Разделение набора данных проверки массив = набор данных. значения X = массив [:, 0: 4] y = массив [:, 4] X_train, X_validation, Y_train, Y_validation = train_test_split (X, y, test_size = 0.20, random_state = 1, shuffle = True) # Алгоритмы выборочной проверки models = [] models.append (('LR', LogisticRegression (solver = 'liblinear', multi_class = 'ovr'))) models.append (('LDA', LinearDiscriminantAnalysis ())) models.append (('KNN', KNeighborsClassifier ())) models.append (('КОРЗИНА', DecisionTreeClassifier ())) models.append (('NB', GaussianNB ())) models.append (('SVM', SVC (gamma = 'auto'))) # оцениваем каждую модель по очереди результаты = [] имена = [] для имени, модели в моделях: kfold = StratifiedKFold (n_splits = 10, random_state = 1, shuffle = True) cv_results = cross_val_score (модель, X_train, Y_train, cv = kfold, scoring = 'precision') полученные результаты.добавить (cv_results) names.append (имя) print ('% s:% f (% f)'% (имя, cv_results.mean (), cv_results.std ())) # Сравнить алгоритмы pyplot.boxplot (результаты, метки = имена) pyplot.title ('Сравнение алгоритмов') pyplot.show ()

1 2 3 4 5 6 7 8 9 10 11 12 13 140002 14 18 19 20 21 22 23 24 25 26 27 28 29 30 000 000 34 35 36 37 38 39 40 41 42

# алгоритмы сравнения из pandas import read_csv from matplotlib import pyplot from sklearn.model_selection import train_test_split from sklearn.model_selection import cross_val_score from sklearn.model_selection import StratifiedKFold from sklearnifier.linear_model import LogisticRegression from sklearnifier.linear_model import LogisticRegression from sklearnifier. LinearDiscriminantAnalysis из sklearn.naive_bayes импортирует GaussianNB из sklearn.svm import SVC # Загрузить набор данных url = "https://raw.githubusercontent.com/jbrownlee/Datasets/master/iris.csv" names = ['sepal-length', 'sepal-width', 'petal-length', 'petal-width', 'class'] dataset = read_csv (url, names = names) # Выделенный набор данных проверки array = dataset.values ​​ X = array [: , 0: 4] y = массив [:, 4] X_train, X_validation, Y_train, Y_validation = train_test_split (X, y, test_size = 0.20, random_state = 1, shuffle = True) # Алгоритмы выборочной проверки models = [] models.append (('LR', LogisticRegression (solver = 'liblinear', multi_class = 'ovr'))) models.append (('LDA', LinearDiscriminantAnalysis ())) models.append (('KNN', KNeighborsClassifier ())) models.append (('CART', DecisionTreeClassifier ())) models .append (('NB', GaussianNB ())) models.append (('SVM', SVC (gamma = 'auto'))) # оценить каждую модель по очереди results = [] names = [] для имени, модель в моделях: kfold = StratifiedKFold (n_splits = 10, random_state = 1, shuffle = True) cv_results = cross_val_score (model, X_train, Y_train, cv = kfold, scoring = ' точность ') результатов.append (cv_results) names.append (name) print ('% s:% f (% f)'% (name, cv_results.mean (), cv_results.std ())) # Сравнить алгоритмы pyplot.boxplot (результаты, метки = имена) pyplot.title ('Сравнение алгоритмов') pyplot.show ()

6. Делайте прогнозы

Мы должны выбрать алгоритм, по которому будем делать прогнозы.

Результаты предыдущего раздела показывают, что SVM была, пожалуй, самой точной моделью.Мы будем использовать эту модель в качестве нашей окончательной модели.

Теперь мы хотим получить представление о точности модели на нашем проверочном наборе.

Это даст нам независимую окончательную проверку точности лучшей модели. Целесообразно сохранить набор для проверки на тот случай, если вы допустили ошибку во время обучения, например, при переобучении обучающего набора или утечке данных. Обе эти проблемы приведут к излишне оптимистичному результату.

6.1 Делайте прогнозы

Мы можем подогнать модель ко всему набору обучающих данных и сделать прогнозы на основе набора данных проверки.

... # Сделать прогнозы на основе набора данных проверки модель = SVC (гамма = 'авто') model.fit (X_train, Y_train) прогнозы = model.predict (X_validation)

... # Сделать прогнозы по набору данных проверки model = SVC (gamma = 'auto') model.fit (X_train, Y_train) predictions = model.predict (X_validation)

Вы также можете делать прогнозы для отдельных строк данных.Примеры того, как это сделать, см. В руководстве:

.

Вы также можете сохранить модель в файл и загрузить ее позже, чтобы делать прогнозы на основе новых данных. Примеры того, как это сделать, см. В руководстве:

.

6.2 Оценка прогнозов

Мы можем оценить прогнозы, сравнив их с ожидаемыми результатами в проверочном наборе, затем вычислить точность классификации, а также матрицу неточностей и отчет о классификации.

.... # Оценивать прогнозы print (precision_score (Y_validation, прогнозы)) print (confusion_matrix (Y_validation, прогнозы)) print (классификационный_отчет (Y_validation, прогнозы))

.... # Оценить прогнозы print (precision_score (Y_validation, predictions)) print (confusion_matrix (Y_validation, predictions)) print (classification_report (Y_validation, predictions))

Мы видим, что точность удерживаемого набора данных составляет 0,966 или около 96%.

Матрица неточностей указывает на допущенные ошибки.

Наконец, отчет о классификации предоставляет разбивку по каждому классу по точности, отзыву, баллу f1 и поддержке, демонстрируя отличные результаты (при условии, что набор данных проверки был небольшим).

0,9666666666666667 [[11 0 0] [0 12 1] [0 0 6]] точный отзыв поддержка f1-score Ирис сетоса 1,00 1,00 1,00 11 Ирис разноцветный 1,00 0,92 0,96 13 Ирис вирджинский 0,86 1,00 0,92 6 точность 0,97 30 макрос ср. 0,95 0,97 0,96 30 взвешенное среднее 0.97 0,97 0,97 30

0,9666666666666667 [[11 0 0] [0 12 1] [0 0 6]] Поддержка точности f1 Iris-setosa 1.00 1.00 1.00 11 versicolor Iris-setosa 1,00 0,92 0,96 13 Iris-virginica 0,86 1,00 0,92 6 точность 0.97 30 макросредн 0,95 0,97 0,96 30 средневзвешенный 0,97 0,97 0,97 30

6.3 Полный пример

Для справки, мы можем связать все предыдущие элементы в один скрипт.

Полный пример приведен ниже.

# делать предсказания из панд импортировать read_csv из sklearn.model_selection import train_test_split из склеарна.метрики импорт классификации_report из sklearn.metrics импортировать confusion_matrix из sklearn.metrics импортировать precision_score из sklearn.svm импортировать SVC # Загрузить набор данных url = "https://raw.githubusercontent.com/jbrownlee/Datasets/master/iris.csv" names = ['длина чашелистика', 'ширина чашелистника', 'длина лепестка', 'ширина лепестка', 'класс'] набор данных = read_csv (URL, имена = имена) # Разделение набора данных проверки массив = набор данных. значения X = массив [:, 0: 4] y = массив [:, 4] X_train, X_validation, Y_train, Y_validation = train_test_split (X, y, test_size = 0.20, random_state = 1) # Сделать прогнозы на основе набора данных проверки модель = SVC (гамма = 'авто') model.fit (X_train, Y_train) прогнозы = model.predict (X_validation) # Оценивать прогнозы print (precision_score (Y_validation, прогнозы)) print (confusion_matrix (Y_validation, прогнозы)) print (классификационный_отчет (Y_validation, прогнозы))

1 2 3 4 5 6 7 8 9 10 11 12 13 140002 14 18 19 20 21 22 23 24

# делать прогнозы из панд импортировать read_csv из sklearn.model_selection import train_test_split из sklearn.metrics import registration_report from sklearn.metrics import confusion_matrix from sklearn.metrics import precision_score from sklearn.svm import SVC # Load dataset .githubusercontent.com / jbrownlee / Datasets / master / iris.csv " names = ['sepal-length', 'sepal-width', 'petal-length', 'petal-width', 'class'] dataset = read_csv (url, names = names) # Отдельный набор данных проверки array = dataset.значения X = массив [:, 0: 4] y = массив [:, 4] X_train, X_validation, Y_train, Y_validation = train_test_split (X, y, test_size = 0.20, random_state = 1) # Сделать прогнозы по набору данных проверки model = SVC (gamma = 'auto') model.fit (X_train, Y_train) predictions = model.predict (X_validation) # Оценить прогнозы предсказания)) печать (confusion_matrix (Y_validation, предсказания)) print (классификация_report (Y_validation, предсказания))

Машинное обучение можно выполнять на Python

Пройдите по руководству выше.На это у вас уйдет 5-10 минут, максимум!

Не нужно все разбираться . (по крайней мере, прямо сейчас) Ваша цель - пройтись по учебнику от начала до конца и получить результат. Необязательно все понимать с первого раза. По ходу дела записывайте свои вопросы. Активно используйте синтаксис справки help («FunctionName») в Python, чтобы узнать обо всех функциях, которые вы используете.

Не нужно знать, как работают алгоритмы .Важно знать об ограничениях и о том, как настраивать алгоритмы машинного обучения. Но изучение алгоритмов можно будет узнать позже. Вам необходимо постепенно накапливать знания об алгоритмах в течение длительного периода времени. Сегодня начните с освоения платформы.

Вам не нужно быть программистом на Python . Синтаксис языка Python может быть интуитивно понятным, если вы новичок в нем. Как и в других языках, сосредоточьтесь на вызовах функций (например, function () ) и назначениях (например, function () ) и назначениях (например.грамм. a = «b» ). Это поможет вам в большинстве случаев. Вы разработчик и знаете, как быстро освоить основы языка. Просто начните и погрузитесь в подробности позже.

Вам не нужно быть специалистом по машинному обучению . Вы можете узнать о преимуществах и ограничениях различных алгоритмов позже, и есть множество сообщений, которые вы можете прочитать позже, чтобы освежить в памяти этапы проекта машинного обучения и важность оценки точности с помощью перекрестной проверки.

А как насчет других шагов в проекте машинного обучения . Мы не охватили все этапы проекта машинного обучения, потому что это ваш первый проект, и нам нужно сосредоточиться на ключевых этапах. А именно, загрузка данных, просмотр данных, оценка некоторых алгоритмов и выполнение некоторых прогнозов. В последующих руководствах мы рассмотрим другие задачи по подготовке данных и улучшению результатов.

Сводка

В этом посте вы пошагово узнали, как завершить свой первый проект машинного обучения на Python.

Вы обнаружили, что выполнение небольшого сквозного проекта от загрузки данных до составления прогнозов - лучший способ познакомиться с новой платформой.

Ваш следующий шаг

Вы прорабатываете учебник?

1. Пройдите по вышеуказанному руководству.
2. Перечислите все вопросы, которые у вас есть.
3. Найдите ответы на свои вопросы.
4. Помните, что вы можете использовать справку («FunctionName») в Python, чтобы получить справку по любой функции.

У вас есть вопрос?
Напишите в комментариях ниже.

Еще учебники?

Если вы хотите и дальше практиковать свои навыки машинного обучения, ознакомьтесь с некоторыми из этих руководств:

Откройте для себя быстрое машинное обучение на Python!

Разрабатывайте свои собственные модели за считанные минуты

... всего несколькими строками кода scikit-learn

Узнайте, как это сделать, в моей новой электронной книге:
Мастерство машинного обучения с Python

Охватывает самоучителей и сквозных проектов , например:
Загрузка данных , визуализация , моделирование , настройка и многое другое...

Наконец-то доведите машинное обучение до

Ваши собственные проекты

Пропустить академики. Только результаты.

Python String Startswith - с примерами

В python строковая функция startwith () используется для проверки того, начинается ли строка с другой строки или нет. В этом руководстве мы рассмотрим его синтаксис и варианты использования, а также несколько примеров.

Перед тем, как мы продолжим, напомним, что строки в Python представляют собой неизменяемые последовательности символов Юникода, используемых для обработки текстовых данных.Строки реализуют все стандартные операции последовательности (например, итерации, тесты членства и т. Д.). Чтобы узнать больше, ознакомьтесь с нашим руководством по строкам и другим основам Python.

Функция startwith ()

Как указано выше, startwith () - это строковая функция в Python, которая проверяет, начинается ли строка с заданного префикса или нет. Ниже приводится его синтаксис:

Синтаксис

  sample_string.startswith (префикс, начало, конец)  

Здесь sample_string - это строка, которую вы хотите проверить, начинается ли она с префикса или нет.

Параметры:

• prefix : Проверяемая строка префикса.
• начало ( необязательно ): начальная позиция, с которой должен быть проверен префикс в строке.
• конец ( необязательно ): конечная позиция, до которой префикс должен быть проверен в строке.

Возвращает:

Функция startwith () возвращает:

• Истинно , если строка начинается с данного префикса.
• Ложь , если строка не начинается с данного префикса.

Примеры:

Пример 1: Без использования дополнительных параметров

  # проверить, начинается ли строка с префикса
s = "Кодировать или не кодировать"

# проверяем, начинается ли s с 'To code'
print ("Начинается с 'В код':", s.startswith ('В код'))

# проверяем, учитывается ли в совпадении регистр или нет
print ("Начинается с 'TO CODE':", s.startswith ('TO CODE'))

# проверяем, начинается ли s с 'code'
print ("Начинается с 'кода':", s.начинается с ('code'))  

Вывод:

  Начинается с 'To code': True
Начинается с "TO CODE": ложь
Начинается с «кода»: False  

В приведенном выше примере мы проверяем, начинается ли строка s с разных префиксов или нет. Сначала мы проверяем префикс «Кодировать» , который возвращает True . Затем мы проверяем тот же префикс, но со всеми символами в верхнем регистре, 'TO CODE' , который возвращает False , это показывает, что функция startwith () также учитывает регистр строк.Наконец, мы проверяем префикс «код» , который по праву возвращает False .

Пример 2: Указание начального и конечного параметров в строке Python startwith ().

  # проверяем, начинается ли строка с префикса
s = "Кодировать или не кодировать"

печать (s.startswith ('код'))
print (s.startswith ('код', 3))
print (s.startswith ('код', 3, 7))
print (s.startswith ('code', 3, 6))  

Вывод:

  Ложь
Правда
Правда
Ложь  

В приведенном выше примере мы видим результаты при предоставлении параметров начала и конца строковой функции startwith () .Чтобы лучше понять использование параметров start и end, представьте их как индексы для нарезки строки, например s [start: end] , а затем используйте префикс, чтобы проверить, начинается ли нарезанная строка с него или нет.

Дополнительные сведения о строковых функциях Python см. В документации по Python.

Руководства по строкам Python:

Подпишитесь на нашу рассылку, чтобы получить более информативные руководства и обучающие материалы.
Мы не рассылаем спам, и вы можете отказаться от рассылки в любой момент.

Computer Science Books @ Amazon.com

Для курсов по программированию на Python.

Ясное и удобное для студентов введение в основы Python

In Начиная с Python®, 4-е издание, Доступный охват Тони Гэддиса знакомит студентов с основами программирования в высокой степени. уровень языка. Python, простой в освоении и набирающий популярность объектно-ориентированный язык, позволяет читателям освоить основы программирования без сложного синтаксиса, который может быть сложной задачей для новичков.Благодаря знаниям, полученным с использованием Python, студенты обретают уверенность в своих силах и учатся распознавать логику разработки высококачественных программ. Начиная с Python описывает управляющие структуры, функции, массивы и указатели перед объектами и классами. Как и во всех текстах Гэддиса, в каждой главе содержатся ясные и легко читаемые списки кодов, краткие и практичные примеры из реальной жизни, целенаправленные объяснения и множество упражнений. Обновления 4-го издания включают пересмотренные, улучшенные проблемы во всем и новые разделы Turtle Graphics, которые обеспечивают гибкость в качестве назначаемого дополнительного материала.

Также доступно при программировании MyLab.

MyLab ^™ Programming - это система онлайн-обучения, предназначенная для вовлечения студентов и улучшения результатов. MyLab ^{Программирование состоит из упражнений по программированию, соответствующих концепциям и целям, изложенным в этой книге. Благодаря практическим упражнениям и немедленной индивидуальной обратной связи MyLab Programming улучшает навыки программирования у начинающих студентов, которые часто испытывают трудности с базовыми концепциями языков программирования.}

Примечание. Вы покупаете отдельный продукт; MyLab Программирование не поставляется с этим содержимым. Студенты, заинтересованные в приобретении этой игры с MyLab Programming, спросите у своего преподавателя правильный ISBN пакета и идентификатор курса.