Python机器学习入门：构建预测模型和处理数据，5个实用案例

 # 1. 机器学习简介** 机器学习是人工智能的一个分支，它使计算机能够在没有明确编程的情况下从数据中学习。机器学习算法通过分析数据模式来识别规律，从而对新数据做出预测或决策。 机器学习在各个领域都有着广泛的应用，包括： * 预测分析（如预测销售、客户流失） * 图像识别（如面部识别、医疗诊断） * 自然语言处理（如机器翻译、情感分析） * 推荐系统（如推荐电影、产品） # 2. Python机器学习基础 ### 2.1 Python机器学习库 Python机器学习生态系统拥有丰富的库，为各种机器学习任务提供了广泛的支持。以下是一些最常用的库： #### 2.1.1 NumPy NumPy是一个用于科学计算的库，提供了多维数组对象和用于处理这些数组的高级函数。它在机器学习中广泛用于数据操作和数值计算。 ```python import numpy as np # 创建一个多维数组 array = np.array([[1, 2, 3], [4, 5, 6]]) # 计算数组的平均值 mean = np.mean(array) # 输出结果 print(mean) # 输出：3.5 ``` #### 2.1.2 Pandas Pandas是一个用于数据处理和分析的库，提供了数据框和序列等数据结构。它在机器学习中用于处理表格数据和特征工程。 ```python import pandas as pd # 创建一个数据框 df = pd.DataFrame({ "Name": ["John", "Jane", "Peter"], "Age": [25, 30, 28], "City": ["New York", "London", "Paris"] }) # 过滤数据 filtered_df = df[df["Age"] > 28] # 输出结果 print(filtered_df) ``` #### 2.1.3 Matplotlib Matplotlib是一个用于创建各种类型图表和图形的库。它在机器学习中用于可视化数据和模型结果。 ```python import matplotlib.pyplot as plt # 创建一个散点图 plt.scatter(x, y) # 设置标题和标签 plt.title("散点图") plt.xlabel("x") plt.ylabel("y") # 显示图表 plt.show() ``` #### 2.1.4 Scikit-learn Scikit-learn是一个用于机器学习算法的库，提供了各种监督和非监督学习算法的实现。它在机器学习中用于构建和评估模型。 ```python from sklearn.linear_model import LinearRegression # 创建一个线性回归模型 model = LinearRegression() # 训练模型 model.fit(X, y) # 预测新数据 predictions = model.predict(X_new) # 输出结果 print(predictions) ``` ### 2.2 数据预处理 数据预处理是机器学习流程中至关重要的一步，它涉及到清理、转换和准备数据以用于建模。 #### 2.2.1 数据清洗 数据清洗涉及删除或更正数据中的错误或缺失值。这可以包括处理重复值、异常值和不一致性。 ```python import pandas as pd # 读取数据 df = pd.read_csv("data.csv") # 删除重复值 df = df.drop_duplicates() # 替换缺失值 df["Age"].fillna(df["Age"].mean(), inplace=True) ``` #### 2.2.2 特征工程 特征工程涉及创建和转换特征以提高模型的性能。这可以包括提取新特征、归一化和标准化数据。 ```python import numpy as np # 创建一个新特征 df["Age_group"] = np.where(df["Age"] < 30, "Young", "Old") # 归一化数据 df["Age"] = (df["Age"] - df["Age"].min()) / (df["Age"].max() - df["Age"].min()) ``` #### 2.2.3 数据归一化 数据归一化涉及缩放数据到一个特定范围，通常是[0, 1]或[-1, 1]。这有助于提高模型的收敛性和性能。 ```python from sklearn.preprocessing import MinMaxScaler # 创建一个归一化器 scaler = MinMaxScaler() # 归一化数据 df["Age"] = scaler.fit_transform(df["Age"].values.reshape(-1, 1)) ``` ### 2.3 机器学习算法 机器学习算法可以分为两大类：监督学习和非监督学习。 #### 2.3.1 监督学习 监督学习算法使用带标签的数据进行训练，其中标签表示目标变量。这些算法学习从输入数据预测输出标签。 #### 2.3.2 非监督学习 非监督学习算法使用未标记的数据进行训练，其中没有目标变量。这些算法学习从数据中识别模式和结构。 #### 2.3.3 算法选择和评估 选择和评估机器学习算法是一个迭代过程，涉及到考虑数据类型、任务类型和模型性能。常见的评估指标包括准确率、召回率和F1分数。 ```python from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score # 划分训练和测试集 X_train, X_test, y_train, y_t ```