Python 机器学习库教程

以下是一些常用的 Python 机器学习库，以及它们的简要介绍和用法。

1. Scikit-learn

Scikit-learn 是一个开源的 Python 机器学习库，提供了多种机器学习算法的实现，包括分类、回归、聚类和降维等。

• 安装：pip install scikit-learn
• 示例：使用 Scikit-learn 进行线性回归

from sklearn.linear_model import LinearRegression

# 创建线性回归模型
model = LinearRegression()

# 训练模型
model.fit([[1], [2], [3]], [1, 2, 3])

# 预测
print(model.predict([[4]]))

更多内容请参考Scikit-learn 官方文档

2. TensorFlow

TensorFlow 是一个由 Google 开发的开源机器学习框架，用于构建和训练复杂的机器学习模型。

• 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=(1,)),
    tf.keras.layers.Dense(1)
])

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

# 训练模型
model.fit([[1]], [1], epochs=1000)

# 预测
print(model.predict([[2]]))

更多内容请参考TensorFlow 官方文档

3. PyTorch

PyTorch 是一个流行的开源机器学习库，由 Facebook 的 AI 研究团队开发，以其动态计算图和易于使用的 API 而著称。

• 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

# 创建一个简单的神经网络
model = nn.Sequential(
    nn.Linear(1, 10),
    nn.ReLU(),
    nn.Linear(10, 1)
)

# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)

# 训练模型
for epoch in range(1000):
    optimizer.zero_grad()
    output = model(torch.tensor([[1]]))
    loss = criterion(output, torch.tensor([[1]]))
    loss.backward()
    optimizer.step()

# 预测
print(model(torch.tensor([[2]])))

更多内容请参考PyTorch 官方文档

4. Keras

Keras 是一个高级神经网络 API，能够运行在 TensorFlow、CNTK 和 Theano 后端之上。

• 安装：pip install keras
• 示例：使用 Keras 创建一个简单的神经网络

from keras.models import Sequential
from keras.layers import Dense

# 创建一个简单的神经网络
model = Sequential()
model.add(Dense(10, input_dim=1, activation='relu'))
model.add(Dense(1))

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

# 训练模型
model.fit([[1]], [1], epochs=1000)

# 预测
print(model.predict([[2]]))

更多内容请参考Keras 官方文档

5. scikit-learn 与 TensorFlow/PyTorch 的比较

希望这些信息能帮助您了解 Python 机器学习库。如果您有其他问题，请随时提问。