Scikit Learn (sklearn)

Sklearn è un modulo del linguaggio python con funzioni di scikit-learn utili per il machine learning e l'apprendimento automatico.

Qual è la differenza tra sklearn e scikit-learn? Il termine sklearn è semplicemente un'abbreviazione di scikit-learn (science kit learning). E' il nome con cui si importa la libreria scikit-learn in python. Ad esempio, per importare le funzioni di scikit-learn in uno script di python scrivo
import sklearn

Sul sito ufficiale di scikit-learn è disponibile un'ampia documentazione online sulle funzionalità di sklearn.

Come installare sklearn in Python

Per usare il modulo sklearn su Python, devo prima installare il modulo tramite il package manager PIP.

pip install -U scikit-learn

Una volta installato sull'interprete, posso importare il modulo negli script.

import sklearn

Un esempio pratico di machine learning con scikit-learn

La libreria scikit-learn contiene diversi algoritmi di apprendimento classificatori o regressori ( decision tree, regressione lineare, percetron, ecc. ) e diversi dataset didattici di addestramento.

Con poche righe di codice si può addestrare la macchina a svolgere un determinato compito.

  1. import numpy as np
  2. from sklearn import datasets
  3. from sklearn.linear_model import Perceptron
  4. from sklearn.metrics import accuracy_score
  5. from sklearn.model_selection import train_test_split
  6. iris = datasets.load_iris()
  7. X = iris.data[:, [2, 3]]
  8. y = iris.target
  9. X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)
  10. ppn = Perceptron(max_iter=40, tol=0.001, eta0=0.01, random_state=0)
  11. ppn.fit(X_train, y_train)
  12. y_pred = ppn.predict(X_test)
  13. print(accuracy_score(y_test, y_pred))

E così via.



Segnalami un errore, un refuso o un suggerimento per migliorare gli appunti

knowledge base

Libri di approfondimento

Scikit-learn

  1. Cos'è sklearn
  2. Come installare sklearn
  3. Un esempio di machine learning
  4. Come usare i datasets didattici di scikit-learn
  5. Come rappresentare le regioni decisionali
  6. La vettorizzazione delle categorie
  7. StandardScaler ( riduzione di scala )
  8. Perceptron
  9. La regressione lineare
  10. Decision Tree Classifier