您好，登录后才能下订单哦！
密码登录
登录注册
点击 登录注册 即表示同意《亿速云用户服务条款》
Python 作为一门功能强大且易于学习的编程语言，在数据科学、机器学习和深度学习领域得到了广泛应用。其丰富的库生态系统使得开发者能够快速构建和部署复杂的模型。本文将详细介绍 Python 中常用的机器学习和深度学习库，帮助读者了解这些工具的功能、特点以及适用场景。
Scikit-learn 是 Python 中最流行的机器学习库之一，提供了丰富的算法和工具，涵盖了分类、回归、聚类、降维、模型选择和数据预处理等多个方面。Scikit-learn 的设计简洁且易于使用，适合初学者和有经验的开发者。
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score
# 加载数据集
iris = load_iris()
X, y = iris.data, iris.target
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 训练模型
model = RandomForestClassifier(n_estimators=100)
model.fit(X_train, y_train)
# 预测
y_pred = model.predict(X_test)
# 评估模型
accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy:.2f}")
XGBoost 是一个高效的梯度提升框架，广泛应用于各种机器学习竞赛和实际项目中。它通过优化算法和并行计算实现了极高的性能，特别适合处理大规模数据集。
import xgboost as xgb
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error
# 加载数据集
boston = load_boston()
X, y = boston.data, boston.target
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 转换为 DMatrix 格式
dtrain = xgb.DMatrix(X_train, label=y_train)
dtest = xgb.DMatrix(X_test, label=y_test)
# 设置参数
params = {
'objective': 'reg:squarederror',
'max_depth': 4,
'eta': 0.1,
'subsample': 0.8,
'colsample_bytree': 0.8,
'eval_metric': 'rmse'
}
# 训练模型
num_round = 100
model = xgb.train(params, dtrain, num_round)
# 预测
y_pred = model.predict(dtest)
# 评估模型
mse = mean_squared_error(y_test, y_pred)
print(f"Mean Squared Error: {mse:.2f}")
LightGBM 是另一个高效的梯度提升框架，由微软开发。与 XGBoost 相比，LightGBM 在训练速度和内存使用上更具优势，特别适合处理高维稀疏数据。
import lightgbm as lgb
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error
# 加载数据集
boston = load_boston()
X, y = boston.data, boston.target
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 转换为 Dataset 格式
train_data = lgb.Dataset(X_train, label=y_train)
test_data = lgb.Dataset(X_test, label=y_test, reference=train_data)
# 设置参数
params = {
'objective': 'regression',
'metric': 'rmse',
'boosting_type': 'gbdt',
'num_leaves': 31,
'learning_rate': 0.05,
'feature_fraction': 0.9
}
# 训练模型
num_round = 100
model = lgb.train(params, train_data, num_round, valid_sets=[test_data])
# 预测
y_pred = model.predict(X_test)
# 评估模型
mse = mean_squared_error(y_test, y_pred)
print(f"Mean Squared Error: {mse:.2f}")
CatBoost 是由 Yandex 开发的梯度提升库，特别擅长处理分类特征。它通过有序提升算法和类别特征处理技术，在分类和回归任务中表现出色。
from catboost import CatBoostRegressor
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error
# 加载数据集
boston = load_boston()
X, y = boston.data, boston.target
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 训练模型
model = CatBoostRegressor(iterations=100, learning_rate=0.1, depth=6, loss_function='RMSE')
model.fit(X_train, y_train, verbose=False)
# 预测
y_pred = model.predict(X_test)
# 评估模型
mse = mean_squared_error(y_test, y_pred)
print(f"Mean Squared Error: {mse:.2f}")
Statsmodels 是一个专注于统计建模和假设检验的库，提供了丰富的统计模型和工具，适用于线性回归、时间序列分析、广义线性模型等任务。
import statsmodels.api as sm
from sklearn.datasets import load_boston
# 加载数据集
boston = load_boston()
X, y = boston.data, boston.target
# 添加常数项
X = sm.add_constant(X)
# 拟合线性回归模型
model = sm.OLS(y, X)
results = model.fit()
# 输出结果
print(results.summary())
PyCaret 是一个低代码的机器学习库，旨在简化机器学习工作流程。它提供了从数据预处理到模型部署的完整解决方案，适合快速原型开发。
from pycaret.classification import *
from sklearn.datasets import load_iris
# 加载数据集
iris = load_iris()
data = pd.DataFrame(iris.data, columns=iris.feature_names)
data['target'] = iris.target
# 初始化 PyCaret
clf = setup(data, target='target', session_id=123)
# 比较模型
best_model = compare_models()
# 训练模型
model = create_model('rf')
# 评估模型
evaluate_model(model)
# 预测
predictions = predict_model(model, data=data)
TensorFlow 是由 Google 开发的开源深度学习框架，广泛应用于各种深度学习任务，如图像识别、自然语言处理、语音识别等。它提供了灵活的 API 和强大的计算能力，适合从研究到生产的各种场景。
import tensorflow as tf
from tensorflow.keras import layers, models
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import OneHotEncoder
# 加载数据集
iris = load_iris()
X, y = iris.data, iris.target
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 对标签进行 one-hot 编码
encoder = OneHotEncoder(sparse=False)
y_train = encoder.fit_transform(y_train.reshape(-1, 1))
y_test = encoder.transform(y_test.reshape(-1, 1))
# 构建模型
model = models.Sequential([
layers.Dense(10, activation='relu', input_shape=(4,)),
layers.Dense(10, activation='relu'),
layers.Dense(3, activation='softmax')
])
# 编译模型
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
# 训练模型
model.fit(X_train, y_train, epochs=50, batch_size=8, validation_split=0.2)
# 评估模型
loss, accuracy = model.evaluate(X_test, y_test)
print(f"Test Accuracy: {accuracy:.2f}")
Keras 是一个高级神经网络 API，最初由 François Chollet 开发，现已成为 TensorFlow 的一部分。Keras 的设计目标是快速实验和原型开发，适合初学者和有经验的开发者。
from keras.models import Sequential
from keras.layers import Dense
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import OneHotEncoder
# 加载数据集
iris = load_iris()
X, y = iris.data, iris.target
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 对标签进行 one-hot 编码
encoder = OneHotEncoder(sparse=False)
y_train = encoder.fit_transform(y_train.reshape(-1, 1))
y_test = encoder.transform(y_test.reshape(-1, 1))
# 构建模型
model = Sequential([
Dense(10, activation='relu', input_shape=(4,)),
Dense(10, activation='relu'),
Dense(3, activation='softmax')
])
# 编译模型
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
# 训练模型
model.fit(X_train, y_train, epochs=50, batch_size=8, validation_split=0.2)
# 评估模型
loss, accuracy = model.evaluate(X_test, y_test)
print(f"Test Accuracy: {accuracy:.2f}")
PyTorch 是由 Facebook 开发的开源深度学习框架，以其动态计算图和灵活的 API 而闻名。PyTorch 在研究和开发中得到了广泛应用，特别适合需要灵活性和控制力的场景。
import torch
import torch.nn as nn
import torch.optim as optim
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import OneHotEncoder
# 加载数据集
iris = load_iris()
X, y = iris.data, iris.target
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 对标签进行 one-hot 编码
encoder = OneHotEncoder(sparse=False)
y_train = encoder.fit_transform(y_train.reshape(-1, 1))
y_test = encoder.transform(y_test.reshape(-1, 1))
# 转换为 PyTorch 张量
X_train = torch.tensor(X_train, dtype=torch.float32)
X_test = torch.tensor(X_test, dtype=torch.float32)
y_train = torch.tensor(y_train, dtype=torch.float32)
y_test = torch.tensor(y_test, dtype=torch.float32)
# 构建模型
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.fc1 = nn.Linear(4, 10)
self.fc2 = nn.Linear(10, 10)
self.fc3 = nn.Linear(10, 3)
def forward(self, x):
x = torch.relu(self.fc1(x))
x = torch.relu(self.fc2(x))
x = torch.softmax(self.fc3(x), dim=1)
return x
model = Net()
# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.01)
# 训练模型
for epoch in range(50):
optimizer.zero_grad()
outputs = model(X_train)
loss = criterion(outputs, y_train)
loss.backward()
optimizer.step()
# 评估模型
with torch.no_grad():
outputs = model(X_test)
_, predicted = torch.max(outputs, 1)
accuracy = (predicted == torch.argmax(y_test, dim=1)).float().mean()
print(f"Test Accuracy: {accuracy:.2f}")
MXNet 是一个高效且灵活的深度学习框架，支持多种编程语言和硬件平台。它由 Apache 基金会维护，广泛应用于各种深度学习任务。
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。