<ruby id="bdb3f"></ruby>

    <p id="bdb3f"><cite id="bdb3f"></cite></p>

      <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
        <p id="bdb3f"><cite id="bdb3f"></cite></p>

          <pre id="bdb3f"></pre>
          <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

          <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
          <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

          <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                <ruby id="bdb3f"></ruby>

                合規國際互聯網加速 OSASE為企業客戶提供高速穩定SD-WAN國際加速解決方案。 廣告
                # 用于機器學習的 Python 生態系統 > 原文: [https://machinelearningmastery.com/python-ecosystem-machine-learning/](https://machinelearningmastery.com/python-ecosystem-machine-learning/) Python 生態系統正在發展,可能成為機器學習的主要平臺。 采用 Python 進行機器學習的主要原因是因為它是一種通用編程語言,可以用于研究和開發以及生產。 在這篇文章中,您將發現用于機器學習的 Python 生態系統。 ![Python Ecosystem for Machine Learning](https://img.kancloud.cn/ea/f1/eaf1d3ebdab11e6413b753d4dc58dc62_640x427.jpg) 用于機器學習的 Python 生態系統 照片由 [Stewart Black](https://www.flickr.com/photos/s2ublack/6678407353/) 拍攝,保留一些權利。 ## 蟒蛇 [Python](https://www.python.org/) 是一種通用的解釋型編程語言。它易于學習和使用,主要是因為語言側重于可讀性。 Python 的 [Zen](https://en.wikipedia.org/wiki/Zen_of_Python) 中包含了 Python 的哲學,其中包括以下短語: * 美麗勝過丑陋。 * 顯式優于隱式。 * 簡單比復雜更好。 * 復雜比復雜更好。 * Flat 優于嵌套。 * 稀疏優于密集。 * 可讀性很重要。 您可以通過鍵入以下內容在 Python 環境中查看 Python 的完整 Zen: ``` import this ``` 它是一種流行語言,一直出現在 StackOverflow 調查中的前 10 種編程語言中(例如 [2015 年調查結果](http://stackoverflow.com/research/developer-survey-2015))。它是一種動態語言,非常適合交互式開發和快速原型設計,具有支持大型應用程序開發的能力。 它還廣泛用于機器學習和數據科學,因為它具有出色的庫支持,并且因為它是一種通用編程語言(與 R 或 Matlab 不同)。例如,請參閱 2011 年 [Kaggle 平臺調查結果](http://blog.kaggle.com/2011/11/27/kagglers-favorite-tools/)和 [KDD Nuggets 2015 工具調查結果](http://www.kdnuggets.com/polls/2015/analytics-data-mining-data-science-software-used.html)的結果。 這是一個簡單而非常重要的考慮因素。 這意味著您可以使用您在操作中使用的相同編程語言執行研究和開發(確定要使用的模型)。大大簡化了從開發到運營的過渡。 ## SciPy 的 [SciPy](https://en.wikipedia.org/wiki/SciPy) 是一個用于數學,科學和工程的 Python 庫生態系統。它是 Python 的附加組件,您需要進行機器學習。 SciPy 生態系統由以下與機器學習相關的核心模塊組成: * [NumPy](http://www.numpy.org/) :SciPy 的基礎,可讓您有效地處理數組中的數據。 * [Matplotlib](http://matplotlib.org/) :允許您從數據創建二維圖表和圖表。 * [pandas](http://pandas.pydata.org/) :用于組織和分析數據的工具和數據結構。 要在 Python 中進行機器學習,您必須安裝并熟悉 SciPy。特別: * 您將使用 Pandas 加載探索并更好地了解您的數據。 * 您將使用 Matplotlib(以及其他框架中的 Matplotlib 包裝器)來創建數據的圖表和圖表。 * 您將把數據準備為 NumPy 數組,以便在機器學習算法中進行建模。 您可以在帖子中了解更多關于熊貓的信息[使用 Pandas](http://machinelearningmastery.com/prepare-data-for-machine-learning-in-python-with-pandas/) 和[使用 Pandas](http://machinelearningmastery.com/quick-and-dirty-data-analysis-with-pandas/) [快速和臟數據分析為 Python 機器學習準備數據。](http://machinelearningmastery.com/quick-and-dirty-data-analysis-with-pandas/) ## scikit 學習 [scikit-learn](http://scikit-learn.org/) 庫是如何在 python 中開發和練習機器學習的。 它建立在 SciPy 生態系統的基礎之上。名稱“ _scikit_ ”表明它是一個 SciPy 插件或工具包。您可以查看[完整的 SciKits](http://scikits.appspot.com/scikits) 列表。 該庫的重點是用于分類,回歸,聚類等的機器學習算法。它還為相關任務提供工具,例如評估模型,調整參數和預處理數據。 與 Python 和 SciPy 一樣,scikit-learn 是開源的,在 BSD 許可下可以商業使用。這意味著您可以了解機器學習,開發模型并將它們投入到具有相同生態系統和代碼的操作中。使用 scikit-learn 的一個有力理由。 您可以在帖子 [A scntle introduction to scikit-learn](http://machinelearningmastery.com/a-gentle-introduction-to-scikit-learn-a-python-machine-learning-library/) 中了解更多關于 scikit-learn 的信息。 ## Python 生態系統安裝 有多種方法可以安裝 Python 生態系統用于機器學習。在本節中,我們將介紹如何安裝用于機器學習的 Python 生態系統。 ### 如何安裝 Python 第一步是安裝 Python。我更喜歡使用和推薦 Python 2.7。 這將特定于您的平臺。有關說明,請參閱 [Python 初學者指南](https://wiki.python.org/moin/BeginnersGuide)中的[下載 Python](https://wiki.python.org/moin/BeginnersGuide/Download) 。 安裝完成后,您可以確認安裝是否成功。打開命令行并鍵入: ``` python --version ``` 您應該看到如下響應: ``` Python 2.7.11 ``` ### 如何安裝 SciPy 安裝 SciPy 的方法有很多種。例如,兩種流行的方法是在您的平臺上使用包管理(例如,RedHat 上的 yum 或 OS X 上的 macport)或使用像 pip 這樣的 Python 包管理工具。 SciPy 文檔非常出色,涵蓋了頁面上許多不同平臺的操作說明[安裝 SciPy Stack](http://scipy.org/install.html) 。 安裝 SciPy 時,請確保至少安裝以下軟件包: * SciPy 的 * numpy 的 * matplotlib * 大熊貓 安裝后,您可以確認安裝是否成功。通過在命令行鍵入“ _python_ ”打開 python 交互式環境,然后鍵入并運行以下 python 代碼以打印已安裝庫的版本。 ``` # scipy import scipy print('scipy: %s' % scipy.__version__) # numpy import numpy print('numpy: %s' % numpy.__version__) # matplotlib import matplotlib print('matplotlib: %s' % matplotlib.__version__) # pandas import pandas print('pandas: %s' % pandas.__version__) ``` 在發布時我的工作站上看到以下輸出。 ``` scipy: 0.17.0 numpy: 1.10.4 matplotlib: 1.5.1 pandas: 0.17.1 ``` 你看到什么輸出?在評論中發布。 如果您有錯誤,可能需要查閱適用于您的平臺的文檔。 ### 如何安裝 scikit-learn 我建議您使用相同的方法安裝 scikit-learn,就像您以前安裝 SciPy 一樣。 有[安裝 scikit-learn](http://scikit-learn.org/stable/install.html) 的說明,但它們僅限于使用 Python [pip](https://en.wikipedia.org/wiki/Pip_(package_manager)) 和 [conda](http://conda.pydata.org/docs/) 包管理器。 與 SciPy 一樣,您可以確認 scikit-learn 已成功安裝。啟動 Python 交互式環境,鍵??入并運行以下代碼。 ``` # scikit-learn import sklearn print('sklearn: %s' % sklearn.__version__) ``` 它將打印安裝的 scikit-learn 庫的版本。在我的工作站上,我看到以下輸出: ``` sklearn: 0.17.1 ``` ### 如何安裝生態系統:一種更簡單的方法 如果您對在計算機上安裝軟件沒有信心,可以選擇更方便的選項。 有一個名為 Anaconda 的發行版,您可以[免費下載和安裝](https://www.continuum.io/downloads)。 它支持 Microsoft Windows,Mac OS X 和 Linux 三個主要平臺。 它包括 Python,SciPy 和 scikit-learn。使用 Python 環境學習,練習和使用機器學習所需的一切。 ## 摘要 在這篇文章中,您發現了用于機器學習的 Python 生態系統。 你了解到: * Python 和它越來越多地用于機器學習。 * SciPy 及其為 NumPy,Matplotlib 和 Pandas 提供的功能。 * scikit-learn 提供所有機器學習算法。 您還學習了如何在工作站上安裝用于機器學習的 Python 生態系統。 你對機器學習的 Python 或這篇文章有什么疑問嗎?在評論中提出您的問題,我會盡力回答。
                  <ruby id="bdb3f"></ruby>

                  <p id="bdb3f"><cite id="bdb3f"></cite></p>

                    <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
                      <p id="bdb3f"><cite id="bdb3f"></cite></p>

                        <pre id="bdb3f"></pre>
                        <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

                        <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
                        <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

                        <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                              <ruby id="bdb3f"></ruby>

                              哎呀哎呀视频在线观看