Python使用sklearn库实现的各种分类算法简单应用小结

本文实例讲述了Python使用sklearn库实现的各种分类算法简单应用。分享给大家供大家参考，具体如下：

KNN

from sklearn.neighbors import KNeighborsClassifier
import numpy as np
def KNN(X,y,XX)：#X,y 分别为训练数据集的数据和标签，XX为测试数据
model = KNeighborsClassifier(n_neighbors=10)#默认为5
model.fit(X,y)
predicted = model.predict(XX)
return predicted

SVM

from sklearn.svm import SVC
def SVM(X,y,XX):
model = SVC(c=5.0)
model.fit(X,y)
predicted = model.predict(XX)
return predicted

SVM Classifier using cross validation

def svm_cross_validation(train_x, train_y):
from sklearn.grid_search import GridSearchCV
from sklearn.svm import SVC
model = SVC(kernel='rbf', probability=True)
param_grid = {'C': [1e-3, 1e-2, 1e-1, 1, 10, 100, 1000], 'gamma': [0.001, 0.0001]}
grid_search = GridSearchCV(model, param_grid, n_jobs = 1, verbose=1)
grid_search.fit(train_x, train_y)
best_parameters = grid_search.best_estimator_.get_params()
for para, val in list(best_parameters.items()):
print(para, val)
model = SVC(kernel='rbf', C=best_parameters['C'], gamma=best_parameters['gamma'], probability=True)
model.fit(train_x, train_y)
return model

LR

from sklearn.linear_model import LogisticRegression
def LR(X,y，XX):
model = LogisticRegression()
model.fit(X,y)
predicted = model.predict(XX)
return predicted

决策树（CART）

from sklearn.tree import DecisionTreeClassifier
def CTRA(X,y,XX):
model = DecisionTreeClassifier()
model.fit(X,y)
predicted = model.predict(XX)
return predicted

随机森林

from sklearn.ensemble import RandomForestClassifier
def CTRA(X,y,XX):
model = RandomForestClassifier()
model.fit(X,y)
predicted = model.predict(XX)
return predicted

GBDT(Gradient Boosting Decision Tree)

from sklearn.ensemble import GradientBoostingClassifier
def CTRA(X,y,XX):
model = GradientBoostingClassifier()
model.fit(X,y)
predicted = model.predict(XX)
return predicted

朴素贝叶斯：一个是基于高斯分布求概率，一个是基于多项式分布求概率，一个是基于伯努利分布求概率。

from sklearn.naive_bayes import GaussianNB
from sklearn.naive_bayes import MultinomialNB
from sklearn.naive_bayes import BernoulliNB
def GNB(X,y,XX):
model =GaussianNB()
model.fit(X,y)
predicted = model.predict(XX)
return predicted
def MNB(X,y,XX):
model = MultinomialNB()
model.fit(X,y)
predicted = model.predict(XX
return predicted
def BNB(X,y,XX):
model = BernoulliNB()
model.fit(X,y)
predicted = model.predict(XX
return predicted

更多关于Python相关内容感兴趣的读者可查看本站专题：《Python数据结构与算法教程》、《Python加密解密算法与技巧总结》、《Python编码操作技巧总结》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》及《Python入门与进阶经典教程》

希望本文所述对大家Python程序设计有所帮助。

您可能感兴趣的文章:

• Python基于sklearn库的分类算法简单应用示例
• python利用sklearn包编写决策树源代码
• Python sklearn KFold 生成交叉验证数据集的方法
• 对python sklearn one-hot编码详解
• 对sklearn的使用之数据集的拆分与训练详解(python3.6)
• Python3.5 + sklearn利用SVM自动识别字母验证码方法示例
• python sklearn库实现简单逻辑回归的实例代码
• Python使用sklearn实现的各种回归算法示例
• 朴素贝叶斯分类算法原理与Python实现与使用方法案例
• Python决策树分类算法学习
• Python KNN分类算法学习
• python实现决策树分类算法