Google Machine Learning Recipes 1
- scikit-learn
- TensorFlow
我们可以把机器学习看做是人工智能的一个子领域
相对于初期的人工智能程序只能做好一件事，机器学习可以同时做好多件事情，比如阿尔法狗擅长围棋，同时也可以玩其他游戏。
那么机器学习是怎么做到的呢？ 它的算法可以从样本和经验中学习，而不是依靠硬编码的规则。
用来实现自动分类器的技术即监督学习
原本我们是教会机器我们的规则，由机器执行规则进行分类，识别。
但规则总有漏洞，我们总能举出规则的反例。
我们不能为每种反例都对规则做修正，那是个无底洞。
所以我们让机器自己学习规则。
接受一些数据作为输入，然后给它们分配标签作为输出
- Input: Data (features)
- Output: class (label)
我们将描述的水果属性作为输入数据，然后根据像重量，质感等特性，对收集到数据进行预测
- 收集训练数据： examples
我们需要从data中，提取出可以作为分类依据的特征作为feature
- 训练分类器： 分类器有很多种，我们这个部分使用了决策树
- 进行预测
使用scikit-learn做Python上的机器学习；
官网推荐使用Anaconda进行安装，轻松解决依赖，有两个版本可以用，我使用Python2版本, 因为许多库只支持python2, 而且教程使用的也是python2
安装后，关联Pycharm，新建一个工程，选择interpreter为anaconda里的python，这样才能顺利引用机器学习的库；
如果已经选了其他编译器，需要在File - Settings - 搜索interpreter，修改。
笔者的环境是Sublime text 3,偷个懒，扔几篇网上的教程:
- Sublime Text 3 下搭建python IDE环境 --Anaconda插件篇
- Sublime Text 3 装了Anaconda 写Python代码出现框框的解决办法
- 安装完Anaconda，还要将默认编译系统的地址改为Anaconda，它自己会去找到第一个教程配置的
python.exe: 配置Sublime Text 3 的Anaconda编译环境
from sklearn import tree
features = [[140, 1], [130, 1], [150, 0], [170, 0]]
labels = [0, 0, 1, 1]
clf = tree.DecisionTreeClassifier()
clf = clf.fit(features, labels)
print clf.predict([[150, 0]])
如果觉得原作者(ahangchen)的文章对您有帮助，请随意打赏～
