pip install scikit-learn

โหลด dataset ตัวอย่าง

 

>>> from sklearn.datasets import load_iris
>>> iris = load_iris()
>>> type(iris)
<class 'sklearn.datasets.base.Bunch'>
>>> iris.keys()
dict_keys(['target', 'target_names', 'data', 'DESCR', 'feature_names'])

>>> iris.data
array([[ 5.1,  3.5,  1.4,  0.2],
       [ 4.9,  3. ,  1.4,  0.2],
       [ 4.7,  3.2,  1.3,  0.2],
       [ 4.6,  3.1,  1.5,  0.2],
       [ 5. ,  3.6,  1.4,  0.2],
...
       [ 5.9,  3. ,  5.1,  1.8]])

>>> iris.data.shape
(150, 4)

การเรียนรู้แบบมีผู้สอน (Supervised Learning)

Classification- K Nearest Neighbors

from sklearn import neighbors, datasets
iris = datasets.load_iris()
X, y = iris.data, iris.target # จำนวนตัวอย่าง,จำนวนคุณลักษณะ
knn = neighbors.KNeighborsClassifier(n_neighbors=1)
knn.fit(X, y)
# ดอกไม้ iris อะไร ที่มีขนาด 3cm x 5cm และมีขนาดกลีบเลี้ยง 4cm x 2cm
print(iris.target_names[knn.predict([[3, 5, 4, 2]])])

['virginica']

from sklearn.externals import joblib
joblib.dump(knn, 'filename.pkl')

knn = joblib.load('filename.pkl')

การเรียนรู้แบบไม่มีผู้สอน (Unsupervised learning)

Dimensionality reduction กับ PCA (Principal Components Analysis)

เป็นส่วนหนึ่งของ factor analysis แนะนำให้ศึกษา factor analysis ก่อนครับ

from sklearn import decomposition
pca = decomposition.PCA(n_components=2)
pca.fit(iris.data)
X = pca.transform(iris.data)

import matplotlib.pyplot as plt
plt.scatter(X[:, 0], X[:, 1], c=iris.target)
plt.show()

การจัดกลุ่ม (Clustering)

from sklearn.cluster import KMeans
km = KMeans(3)
km.fit(X)
print(km.cluster_centers_)
plt.scatter(X[:, 0], X[:, 1], c=iris.target)
plt.scatter(km.cluster_centers_[:, 0], km.cluster_centers_[:, 1], marker='o', s=100)
plt.show()

[[-2.64084076 -0.19051995]
[ 0.66443351 0.33029221]
[ 2.34645113 -0.27235455]]