机器学习在 Python 中有着广泛的应用，以下是一些常用的 Python 机器学习库及其简要教程。

1. Scikit-learn

Scikit-learn 是最流行的 Python 机器学习库之一，提供了各种机器学习算法的实现。

  • 安装：pip install scikit-learn
  • 示例：使用 Scikit-learn 进行线性回归。
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

# 假设数据
X = [[1, 2], [2, 3], [3, 4], [4, 5]]
y = [1, 2, 3, 4]

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

# 创建线性回归模型
regressor = LinearRegression()

# 训练模型
regressor.fit(X_train, y_train)

# 预测
y_pred = regressor.predict(X_test)

# 计算均方误差
mse = mean_squared_error(y_test, y_pred)
print("Mean Squared Error:", mse)

Scikit-learn 官方文档

2. TensorFlow

TensorFlow 是由 Google 开发的一个开源机器学习框架，适用于深度学习。

  • 安装：pip install tensorflow
  • 示例：使用 TensorFlow 创建一个简单的神经网络。
import tensorflow as tf

# 创建一个简单的神经网络
model = tf.keras.Sequential([
  tf.keras.layers.Dense(10, activation='relu', input_shape=(2,)),
  tf.keras.layers.Dense(1)
])

# 编译模型
model.compile(optimizer='adam', loss='mean_squared_error')

# 训练模型
model.fit(X_train, y_train, epochs=10)

# 预测
y_pred = model.predict(X_test)

TensorFlow 官方文档

3. PyTorch

PyTorch 是由 Facebook AI Research 开发的一个开源机器学习库，以其动态计算图而闻名。

  • 安装：pip install torch
  • 示例：使用 PyTorch 创建一个简单的神经网络。
import torch
import torch.nn as nn
import torch.optim as optim

# 创建一个简单的神经网络
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(2, 10)
        self.fc2 = nn.Linear(10, 1)

    def forward(self, x):
        x = torch.relu(self.fc1(x))
        x = self.fc2(x)
        return x

net = Net()

# 编译模型
criterion = nn.MSELoss()
optimizer = optim.Adam(net.parameters(), lr=0.01)

# 训练模型
for epoch in range(10):
    optimizer.zero_grad()
    outputs = net(X_train)
    loss = criterion(outputs, y_train)
    loss.backward()
    optimizer.step()

# 预测
outputs = net(X_test)

PyTorch 官方文档

扩展阅读

更多关于 Python 机器学习库的信息，可以访问我们的 机器学习库指南。