通过Scikit-learn编写一个HelloWorld

本文最后更新于:2017年6月23日 凌晨

上一篇文章中我们介绍了如何通过TensorFlow去训练一个识别数字图片模型,其中涉及了算法推演到最后的输出结果,其实可以借助Scikit-learn来简化。

参考视频: https://youtu.be/cKxRvEZd3Mw

I. 前言

一个简单的AI目的,如: 输入一个照片识别出是什么水果。

传统的做法我们需要写大量的代码来区分不同水果的特征,如形状、颜色等,但是AI可以通过训练Classifier来自动辨别而不需要我们编写。

II. 方案

通过scikit-learn这个库,可以采用Anaconda来一键安装所有scikit-learn的依赖(而且支持Windows、macOS、Linux等)。

大概的步骤: 收集训练的数据 -> 训练Classifier -> 结果验证

III. 编写helloword

安装完Anaconda之后,可以简单的编写python通过import sklearn然后执行下,验证下是否已经可以正常import。

1. 训练数据(表)

我们可以看到训练数据Orange比较粗糙也比较重,这里训练的维度就参考重量纹理情况

2. 代码

在编写时,将输入的训练数据1定义为smooth,将0定义为bumpy;将输出数据1定义为Orange,将1定义为Apple

最后验证时,我们验证了[重量为150kg,比较粗糙的],输出的是1,是比较符合预期的。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
from sklearn import tree
# 1. collect tranining data
# input: [weight, 1-> smooth | 0 -> bumpy]
features = [[140, 1], [130, 1], [150, 0], [170, 0]]
# output: apple -> 0 | orange -> 1
labels = [0, 0, 1, 1]

# 2. train claasifier
clf = tree.DecisionTreeClassifier()
clf = clf.fit(features, labels)

# 3. make predict
# 150kg, bumpy
print clf.predict([[150, 0]])


通过Scikit-learn编写一个HelloWorld
https://blog.dreamtobe.cn/scikit-learn-hello-word/
作者
Jacksgong
发布于
2017年6月23日
更新于
2017年6月23日
许可协议