开篇小菜
本教程是本人尝试使用scikit-learn的一些经验，scikit-learn真的超级容易上手，简单实用。5分钟学会用调用基本的回归方法和集成方法应该是够了。
基本回归方法（线性、决策树、SVM、KNN）和集成方法（随机森林，Adaboost和GBRT）
数据集的生成
代码语言：javascript复制import numpy as np
import matplotlib.pyplot as plt
def get_data():
# 捏造的数据集
x1 = np.linspace(0,100,50).reshape(-1,1)
x2 = np.linspace(0,100,50).reshape(-1,1)
y = 10*np.sin(x1) 10*np.cos(x2) x1 x2 np.random.randn(1) 0.1
# data.shape = (50, 3)
data = np.concatenate((x1,x2,y),axis=1)
return data
data = get_data()
x, y = data[:,:2], data[:,2]
测试评分
代码语言：javascript复制def try_different_method(clf):
clf.fit(x,y)
score = clf.score(x, y)
result = clf.predict(x)
plt.figure(figsize=(10,8))
plt.plot(np.arange(len(result)), y,'ro-',label='true value')
plt.plot(np.arange(len(result)),result,'go-',label='predict value')
plt.title('score: %f'%score)
plt.legend()
plt.show()
线性回归
代码语言：javascript复制from sklearn.linear_model import LinearRegression
line = LinearRegression()
try_different_method(line)
效果如下：
回归树
代码语言：javascript复制# 回归树
from sklearn.tree import DecisionTreeRegressor
tree = DecisionTreeRegressor()
try_different_method(tree)
效果如下：
KNN
代码语言：javascript复制# KNN
from sklearn import neighbors
knn = neighbors.KNeighborsRegressor()
try_different_method(knn)
效果如下
随机森林
代码语言：javascript复制# 随机森林
from sklearn import ensemble
rf =ensemble.RandomForestRegressor(n_estimators=20)#这里使用20个决策树
try_different_method(rf)
效果如下
集成学习
代码语言：javascript复制# 集成学习
from sklearn import ensemble
ada = ensemble.AdaBoostRegressor(n_estimators=50)
try_different_method(ada)
效果如下：
梯度提升
代码语言：javascript复制# 梯度提升
from sklearn import ensemble
gbrt = ensemble.GradientBoostingRegressor(n_estimators=100)
try_different_method(gbrt)
效果如下
SVR
代码语言：javascript复制 # SVR
from sklearn.svm import SVR
svr = SVR(kernel='rbf', C=1e3, gamma=0.1)
try_different_method(svr)
效果如下
熟悉如何导包即可
