前言:
此刻兄弟们对“python期刊文献”大约比较看重,小伙伴们都想要分析一些“python期刊文献”的相关知识。那么小编也在网摘上收集了一些有关“python期刊文献””的相关知识,希望我们能喜欢,各位老铁们快快来学习一下吧!尔云间 一个专门做科研的团队
原创 eryun 云生信学生物信息学
文献解读|期刊推荐|代码
铁死亡|免疫浸润|肿瘤微环境
Milk ( Machine Learning Toolkit for Python)刚接触就首先被他的名字所吸引,“Milk”,正如他的名字一样,结构小巧,语句简洁,适用性强。
虽没有sklearn那样灵活多变,也没有orange那样用户友善,但是Milk能在强大的python中占有一席之位,还是有它自己独到的优势的。
Milk是Python的一个机器学习工具箱,其重点是提供监督分类法与几种有效的分类分析:SVMs (基于libsvm),K-NN,随机森林经济和决策树。
它还可以进行特征选择。这些分类可以在许多方面相结合,形成不同的分类系统。对于无监督学习,它提供K-means和affinity propagation聚类算法。今天我们就来简单介绍一下这个简单实用的机器学习包Milk。
第一步安装:
如果你已经配置好了python环境,那么就可以通过如下方法进行easy install。当然前提是配置了环境变量。下载地址
1. Easy_install milk
2. Python setup.py install
3. Pip install milk
第二步训练模型:
图中我们创建了一个100*10的矩阵,代表100个样本点和10个特征值。前50个类别为0,后50个类别为1。我们利用features和labels来训练模型,输出一个精度
可见精度为96%,模型的精度还是很令人满意的。那么我们如何利用模型进行预测呢?
我们通过随机创建一组newfeatures用于预测,同样是100个数据点,用train这个类来进行建模,通过apply这个类来进行预测。预测结果如下
可见100个数据点中有3个点预测错误,精度为97%,和训练模型时的估计精度吻合,说明了我们这个预测模型的稳健性。
Milk中还提供了其他分类模型,如SVM,Kmeans,nfoldcrossvalidation等模型。从灵活度上来看并不如其他机器学习包,但是就实用性和复杂度来说,Milk是一个十分适合初学者使用的机器学习包。
标签: #python期刊文献