การสร้างแบบจำลองการเรียนรู้ใน Scikit-learn:A Python Machine Learning Library

ในบทความนี้ เราจะมาเรียนรู้เกี่ยวกับ Learning Model Building ใน Scikit-learn:A Python Machine Learning Library

เป็นห้องสมุดการเรียนรู้ของเครื่องฟรี รองรับอัลกอริธึมที่หลากหลาย เช่น Random Forest, Vector Machine &k-Nearest Neighbors ด้วยการนำไปปฏิบัติโดยตรงด้วย numpy และ scipy

การนำเข้าชุดข้อมูล

import pandas
Url = < specify your URL here>
data=pandas.rad_csv(url)

การสำรวจและทำความสะอาดข้อมูล

เราสามารถใช้ head method เพื่อระบุ/กรองข้อมูลได้ตามความต้องการ

data.head()
data.head(n=4) # restricting the record to be 4

เรายังสามารถใช้บันทึกสองสามชุดสุดท้ายของชุดข้อมูลได้

data.tail()
data.tail(n=4) # restricting the record to be 4

มาถึงขั้นตอนของการแสดงข้อมูลเป็นภาพแล้ว

สำหรับสิ่งนี้ เราใช้โมดูล Seaborn และ matplotlib เพื่อแสดงภาพข้อมูลของเรา

import seaborn as s
import matplotlib.pyplot as plt
sns.set(style="whitegrid", color_codes=True)
# create a countplot
sns.countplot('Route To Market',data=sales_data,hue = 'Opportunity Result')

กำลังประมวลผลข้อมูลล่วงหน้า

from sklearn import preprocessing
le = preprocessing.LabelEncoder()
#convert the columns into numeric values
encoded_value = le.fit_transform(list of column names)
print(encoded_value)

ในที่สุด เราก็มาถึงขั้นตอนของการสร้างแบบจำลองโดยการฝึกชุดข้อมูล

บทสรุป

ในบทความนี้ เราได้เรียนรู้เกี่ยวกับการสร้างแบบจำลองใน scikit-learn ซึ่งเป็นไลบรารี่ที่มีอยู่ใน Python