Ich denke, Python ist eine der besten Bibliotheken. Bibliothek für maschinelles Lernen. Das eingeschlossene Lernen ist wie folgt (Beispiel).

Lernen mit einem Lehrer
Methode der nächsten Nachbarschaft, verallgemeinertes lineares Modell, lineare Beurteilungsanalyse, SVM, Entscheidungsbaum, zufälliger Wald, naive Buchten usw.
Lernen ohne Lehrer
Gemischtes Gauß-Modell, Hauptkomponentenanalyse, Faktoranalyse, unabhängige Komponentenanalyse, Clustering, Hidden-Markov-Modell usw. --Andere
Kreuzvalidierung, Rastersuche, Genauigkeit usw.

Der Spickzettel ist hier

Mit einem Lehrer lernen

Support Vector Machine

Regressionsanalyse

#Erstellen Sie zunächst Trainingsdaten
>>> import numpy
>>> np.seed(0) #Zufälliger Startwert behoben
>>> x = numpy.sort(5 * numpy.random.rand(40, 1), axis=0)
>>> y = numpy.sin(x).ravel()
>>> y[::5] += 3 * (0.5 - numpy.random.rand(8))
>>> plot(x, y, 'o')

Verwenden Sie "SVR" für die Regressionsanalyse (Abkürzung für Support Vector Regression). Informationen zu Argumentoptionen

C (default = 1.0)

Strafparameter

Größer erlaubt keinen Rand (harter Rand), kleiner erlaubt Rand

kernel (default = rbf)

Kernelfunktionstyp

Linear: linear, Polygon: Poly, RBF (Gauß): rbf, Sigmoid: Sigmoid, Vorberechnet: Vorberechnet

gamma (default = 0.0)

RBF, Polynomkernkoeffizienten

degree (default = 2)

RBF, Polypoly, Sigmoid-Kernelfunktionsreihenfolge

>>> from sklearn.svm import SVR
#Einen Lernenden erstellen
>>> svr_rbf = SVR(kernel='rbf', C=1e3, gamma=0.1)
>>> svr_lin = SVR(kernel='linear', C=1e3)
>>> svr_poly = SVR(kernel='poly', C=1e3, degree=2)
#Lernen Sie mit Passform, sagen Sie voraus
>>> y_rbf = svr_rbf.fit(x, y).predict(x)
>>> y_lin = svr_lin.fit(x, y).predict(x)
>>> y_poly = svr_poly.fit(x, y).predict(x)

Einstufung

Ich denke, die sogenannte SVM ist hier. scikit-learn verwendet SVC (kurz für Support Vector Classifier).

#Erstellung von Trainingsdaten
>>> numpy.random.seed(0)
>>> X = numpy.random.randn(300, 2)
>>> Y = numpy.logical_xor(X[:,0]>0, X[:,1]>0)
from sklearn.svm import SVC
#Klassifikator erstellen
>>> clf = SVC(kernel='rbf', C=1e3, gamma=0.1)
#Lernen
>>> clf.fit(X, Y)
#Berechnen Sie den Abstand zur Determinante
>>> xx, yy = np.meshgrid(linspace(-3, 3, 500), linspace(-3, 3, 500))
>>> Z = clf.decision_function(np.c_[xx.ravel(), yy.ravel()])
>>> Z = Z.reshape(xx.shape)
#Grafik
>>> imshow(Z, interpolation='nearest', extent=[xx.min(),
...                                            xx.max(),
...                                            yy.min(),
...                                            yy.max()],
...                                            aspect='auto',
...                                            origin='lower',
...                                            cmap=cm.PuOr_r)
>>> ctr = contour(xx, yy, Z, levels=[0], linetypes='--')
>>> scatter(X[:, 0], X[:, 1], c=Y, cmap=cm.Paired)
>>> axis([xx.min(), xx.max(), yy.min(), yy.max()])
>>> show()

imshow (): Zeichnen Sie das Array Argumentoptionen: interpolation

Ergänzung während der Grafikverarbeitung

'nearest' -

extent

Bereich angeben

[Minimum in horizontaler Richtung, Maximalwert in horizontaler Richtung, Minimalwert in vertikaler Richtung, Maximalwert in vertikaler Richtung]

aspect

Einstellung des Seitenverhältnisses

origin

Legen Sie einen Referenzpunkt fest

'untere' - Richten Sie Z [0,0] auf die untere linke Ecke aus

cmap

Farbkarte angeben

Lernen ohne Lehrer

k-bedeutet Methode

Die k-means-Methode wird als Beispiel gezeigt.

>>> import sklearn.datasets, sklearn.cluster
>>> #IRIS-Daten lesen
>>> d = sklearn.datasets.load_iris()
>>> km = sklearn.cluster.KMeans(3)
>>> km.fit(d.data)
>>> for i, e in enumerate(d.data):
...    scatter(e[0], e[2], c='rgb'[km.labels_[i]])

Andere

Der Rest ist Offizielle Dokumente.