MachineLearning-Sklearn——环境搭建

摘要：概述本文记录机器学习库在上的环境搭建，并在搭建好的环境上运行以验证环境已经搭建成功工作之余学习一下，大势所趋，别划了呀跟上潮流呀安装是一套通用机器学习开源框架，主要功能有部分分类回归聚类降维模型选择数据预处理使用的是语言，其安装和运行还依赖

本文记录机器学习库Sklearn在Ubuntu上的环境搭建，并在搭建好的环境上运行example以验证环境已经搭建成功；工作之余学习一下，大势所趋，别划了呀！跟上潮流呀！

Sklearn是一套通用机器学习开源框架，主要功能有6部分

分类

回归

聚类

降维

模型选择

数据预处理

Sklearn使用的是Python语言，其安装和运行还依赖pip、scipy和numpy等
Sklearn网站：http://scikit-learn.org/stabl...

安装python

这里就不说了，默认机器上都会装的，如果自己装的话注意设置环境变量就行了

安装pip

pip是什么，百度说是一个安装和管理python包的工具，知道这就够了

apt-get install python-pip

安装依赖

以下命令安装sklearn需要的各种依赖库

apt-get install build-essential python-dev python-numpy python-setuptools python-scipy libatlas-dev libatlas3-base  

以下命令安装一个画图工具，用它看程序运行结果

apt-get install python-matplotlib

安装Sklearn

pip install -U scikit-learn

确认安装

以下命令会列出当前系统安装的所有python依赖

pip install -U scikit-learn

如果结果里有scikit-learn，说明已经安装上了

到sklearn官网，点击example进入General examples页面，如图

页面上有很多机器学习的examples，就选取第一个例子，点击进入

说这是一个Cross-Validated Predictions(交叉验证预测)的例子，下面有代码，可以下载下来，也可以自己写，我是自己照着抄了一遍，熟悉一下python语法，现学现用，前两天刚在w3c shcool上看了一下python语法大概什么样子

这个例子的源码如下，本文不进行代码分析和例子的原理研究，使用这个例子的目的只是为了验证环境搭建是否成功

from sklearn import datasets
from sklearn.model_selection import cross_val_predict
from sklearn import linear_model
import matplotlib.pyplot as plt

lr = linear_model.LinearRegression()
boston = datasets.load_boston()
y = boston.target

# cross_val_predict returns an array of the same size as `y` where each entry
# is a prediction obtained by cross validation:
predicted = cross_val_predict(lr, boston.data, y, cv=10)

fig, ax = plt.subplots()
ax.scatter(y, predicted, edgecolors=(0, 0, 0))
ax.plot([y.min(), y.max()], [y.min(), y.max()], "k--", lw=4)
ax.set_xlabel("Measured")
ax.set_ylabel("Predicted")
plt.show()

在Ubuntu上写好代码，文件为plot_cv_predict.py，运行代码

python plot_cv_predict.py 

运行结果如图

说明环境已经搭建完成

关于人工智能的学习资料来源，主要来自以下内容

斯坦福大学 吴恩达机器学习公开课 : 机器学习的动机与应用
开发者头条 普通程序员如何向人工智能靠拢