用python训练机器学习

//样本数据
编号,色泽,根蒂,敲声,纹理,脐部,触感,密度,含糖率,好瓜
1,青绿,蜷缩,浊响,清晰,凹陷,硬滑,0.697,0.46,是
2,乌黑,蜷缩,沉闷,清晰,凹陷,硬滑,0.774,0.376,是
3,乌黑,蜷缩,浊响,清晰,凹陷,硬滑,0.634,0.264,是
4,青绿,蜷缩,沉闷,清晰,凹陷,硬滑,0.608,0.318,是
5,浅白,蜷缩,浊响,清晰,凹陷,硬滑,0.556,0.215,是
6,青绿,稍蜷,浊响,清晰,稍凹,软粘,0.403,0.237,是
7,乌黑,稍蜷,浊响,稍糊,稍凹,软粘,0.481,0.149,是
8,乌黑,稍蜷,浊响,清晰,稍凹,硬滑,0.437,0.211,是
9,乌黑,稍蜷,沉闷,稍糊,稍凹,硬滑,0.666,0.091,否
10,青绿,硬挺,清脆,清晰,平坦,软粘,0.243,0.267,否
11,浅白,硬挺,清脆,模糊,平坦,硬滑,0.245,0.057,否
12,浅白,蜷缩,浊响,模糊,平坦,软粘,0.343,0.099,否
13,青绿,稍蜷,浊响,稍糊,凹陷,硬滑,0.639,0.161,否
14,浅白,稍蜷,沉闷,稍糊,凹陷,硬滑,0.657,0.198,否
15,乌黑,稍蜷,浊响,清晰,稍凹,软粘,0.36,0.37,否
16,浅白,蜷缩,浊响,模糊,平坦,硬滑,0.593,0.042,否
17,青绿,蜷缩,沉闷,稍糊,稍凹,硬滑,0.719,0.103,否

  

#前期整理
# -*- coding: utf-8 -*-
from itertools import islice

def test():
    values = {
        ‘color‘: {
            ‘青绿‘: 1,
            ‘乌黑‘: 2,
            ‘浅白‘: 3
        },
        ‘root‘: {
            ‘蜷缩‘: 1,
            ‘稍蜷‘: 2,
            ‘硬挺‘: 3
        },
        ‘sound‘: {
            ‘浊响‘: 1,
            ‘沉闷‘: 2,
            ‘清脆‘: 3
        },
        ‘strip‘: {
            ‘清晰‘: 1,
            ‘稍糊‘: 2,
            ‘模糊‘: 3
        },
        ‘texture‘: {
            ‘凹陷‘: 1,
            ‘稍凹‘: 2,
            ‘平坦‘: 3
        },
        ‘feel‘: {
            ‘硬滑‘: 1,
            ‘软粘‘: 2
        },
        u‘label‘: {
            ‘是‘: 1,
            ‘否‘: -1
        }
    }
    fileread = file(‘d://a/xigua.txt‘, ‘r‘, -1)
    biaotou = fileread.readline().strip(‘\n‘).strip(" ").split(",")
    biaotouc = biaotou[1:7] + [biaotou[-1].strip(‘\n‘).strip(" ")]
    biaotouEn = [‘color‘, ‘root‘, ‘sound‘, ‘strip‘, ‘texture‘, ‘feel‘, ‘label‘]
    biaotouDict = {}
    for index in range(len(biaotouEn)):
        biaotouDict[biaotouc[index]] = biaotouEn[index]
    res = []
    for eachLine in fileread.readlines():
        eachLineArray = eachLine.split(‘,‘)
        reselem = []
        for elemIndex in range(len(eachLineArray)):
            eachLineArrayElemIndexOp=eachLineArray[elemIndex].strip(‘\n‘).strip(" ")
            if (biaotouDict.has_key(biaotou[elemIndex])):
                reselem.append(values[biaotouDict[biaotou[elemIndex]]][eachLineArrayElemIndexOp])
            else:
                reselem.append(float(eachLineArrayElemIndexOp))
        res.append(reselem)
    print res
if __name__ == ‘__main__‘:
    test()

  

时间: 2024-10-14 09:46:16

用python训练机器学习的相关文章

用Python开始机器学习(7:逻辑回归分类) --好!!

from : http://blog.csdn.net/lsldd/article/details/41551797 在本系列文章中提到过用Python开始机器学习(3:数据拟合与广义线性回归)中提到过回归算法来进行数值预测.逻辑回归算法本质还是回归,只是其引入了逻辑函数来帮助其分类.实践发现,逻辑回归在文本分类领域表现的也很优秀.现在让我们来一探究竟. 1.逻辑函数 假设数据集有n个独立的特征,x1到xn为样本的n个特征.常规的回归算法的目标是拟合出一个多项式函数,使得预测值与真实值的误差最小

程序员训练机器学习 SVM算法分享

http://www.csdn.net/article/2012-12-28/2813275-Support-Vector-Machine 摘要:支持向量机(SVM)已经成为一种非常受欢迎的算法.本文主要阐述了SVM是如何进行工作的,同时也给出了使用Python Scikits库的几个示例.SVM作为一种训练机器学习的算法,可以用于解决分类和回归问题,还使用了kernel trick技术进行数据的转换,再根据转换信息在可能的输出之中找到一个最优的边界. [CSDN报道]支持向量机(Support

用Python开始机器学习(2:决策树分类算法)

http://blog.csdn.net/lsldd/article/details/41223147 从这一章开始进入正式的算法学习. 首先我们学习经典而有效的分类算法:决策树分类算法. 1.决策树算法 决策树用树形结构对样本的属性进行分类,是最直观的分类算法,而且也可以用于回归.不过对于一些特殊的逻辑分类会有困难.典型的如异或(XOR)逻辑,决策树并不擅长解决此类问题. 决策树的构建不是唯一的,遗憾的是最优决策树的构建属于NP问题.因此如何构建一棵好的决策树是研究的重点. J. Ross Q

Python相关机器学习‘武器库’

开始学习Python,之后渐渐成为我学习工作中的第一辅助脚本语言,虽然开发语言是Java,但平时的很多文本数据处理任务都交给了Python.这些年来,接触和使用了很多Python工具包,特别是在文本处理,科学计算,机器学习和数据挖掘领域,有很多很多优秀的Python工具包可供使用,所以作为Pythoner,也是相当幸福的.如果仔细留意微博和论坛,你会发现很多这方面的分享,自己也Google了一下,发现也有同学总结了"Python机器学习库",不过总感觉缺少点什么.最近流行一个词,全栈工

从Python开始机器学习

目前机器学习红遍全球.男女老少都在学机器学习模型,分类器,神经网络和吴恩达.你也想成为一份子,但你该如何开始? 在这篇文章中我们会讲Python的重要特征和它适用于机器学习的原因,介绍一些重要的机器学习包,以及其他你可以获取更详细资源的地方. 加qq群813622576免费领取学习资料 为什么用Python做机器学习 Python很适合用于机器学习.首先,它很简单.如果你完全不熟悉Python但是有一些其他的编程经验(C或者其他编程语言),要上手是很快的.其次,Python的社区很强大.这使得P

用 Python 做机器学习不得不收藏的重要库

Python通常被应用统计技术或者数据分析人员当做工作中的首选语言.数据科学家也会用python作为连接自身工作与WEB 应用程序/生产环境集成中. Python在机器学习领域非常出色.它具有一致的语法.更短的开发时间和灵活性,非常适合开发能够直接插入生产系统的复杂模型和预测引擎. Python的一个最大的资产是其广泛的库. 库是一组用给定语言编写的程序和功能的集合.一组健壮的库可以使开发人员更容易执行复杂的任务,而无需重写许多代码. 机器学习很大程度上是基于数学.具体来说就是数学优化.统计和概

Python相关机器学习

Python机器学习库 Python的机器学习库汇总与梳理 机器学习之开源库大总结

[resource]23个python的机器学习包

23个python的机器学习包,从常见的scikit-learn, pylearn2,经典的matlab替代orange, 到最新最酷的Theano(深度学习)和torch 7 (well,其实lua,不过从ipython调用很容易),基本常用的通用python机器学习平台都有了. http://python.memect.com/?tag=machinelearning

使用Python做机器学习的准备工作

机器学习的入门书籍<机器学习实战>使用的语言是python.下面介绍利用Python开始"机器学习"的准备工作.(环境:CentOS 7) 1, 两个重要的包 NumPy 和 SciPy.(http://scipy.org/scipylib/download.html )主要是处理数值运算,矩阵操作等. 注:Sci是Science的缩写. 官网介绍了安装方法,可以手动安装,也可以使用yum.(numpy 和 scipy  在默认的软件源有提供) 需要说明的是,scipy是依