本文将为您介绍Python中机器学习的基本概念和常用库。如果您想了解更多关于Python编程的知识，可以访问我们的Python教程页面。
机器学习简介
机器学习是人工智能的一个分支，它使计算机能够从数据中学习并做出决策或预测，而无需进行明确的编程。
机器学习的主要类型
- 监督学习：从标记的训练数据中学习，以预测未知数据的输出。
- 无监督学习：从未标记的数据中学习，以发现数据中的模式或结构。
- 半监督学习：使用标记和未标记的数据进行学习。
- 强化学习：通过与环境交互来学习最佳行为策略。
Python机器学习库
Python有许多用于机器学习的库，其中最流行的是以下几个：
- scikit-learn：一个用于机器学习的Python库，提供了许多常用的算法。
- TensorFlow：由Google开发的开源机器学习框架，用于构建和训练各种机器学习模型。
- PyTorch：由Facebook开发的开源机器学习库，用于应用深度学习。
安装scikit-learn
您可以使用pip来安装scikit-learn：
pip install scikit-learn
示例：使用scikit-learn进行分类
以下是一个简单的例子，演示如何使用scikit-learn进行分类：
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target
# 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=42)
# 创建KNN分类器
knn = KNeighborsClassifier()
# 训练模型
knn.fit(X_train, y_train)
# 预测测试集
y_pred = knn.predict(X_test)
# 评估模型
print(f"Accuracy: {knn.score(X_test, y_test)}")
总结
本文简要介绍了Python机器学习的基础知识。如果您想深入了解，可以阅读我们的Python机器学习进阶教程。