如何解决不能用Python执行机器学习问题

这篇文章主要介绍“如何解决不能用Python执行机器学习问题”，在日常操作中，相信很多人在如何解决不能用Python执行机器学习问题问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答”如何解决不能用Python执行机器学习问题”的疑惑有所帮助！接下来，请跟着小编一起来学习吧！

创新互联专业为企业提供舒兰网站建设、舒兰做网站、舒兰网站设计、舒兰网站制作等企业网站建设、网页设计与制作、舒兰企业网站模板建站服务，十多年舒兰做网站经验，不只是建网站，更提供有价值的思路和整体网络服务。

数据准备

如前所述，要创建一个表格来保存Iris数据集，然后将数据加载到其中。OML要求使用一个列作为行ID(序列)，因此要记住：

CREATE SEQUENCE seq_iris; CREATE TABLE iris_data(     iris_id      NUMBER DEFAULT seq_iris.NEXTVAL,     sepal_length NUMBER,     sepal_width  NUMBER,     petal_length NUMBER,     petal_width  NUMBER,     species      VARCHAR2(16) );

现在可以下载数据并进行加载了：

当一个模态窗口弹出时，只需提供下载CSV的路径并多次点击Next。SQL开发员无需帮助也能正确完成工作。

模型训练

现在可以动手做一些有趣的事情了。训练分类模型可以分解为多个步骤，例如训练/测试分割、模型训练和模型评估，我们从最简单的开始。

训练/测试分割

Oracle常用两个视图完成该步骤：一个用于训练数据，一个用于测试数据。可以轻松创建这些神奇PL/SQL：

BEGIN     EXECUTE IMMEDIATE          ‘CREATE OR REPLACE VIEW          iris_train_data AS          SELECT * FROM iris_data          SAMPLE (75) SEED (42)’;     EXECUTE IMMEDIATE          ‘CREATE OR REPLACE VIEW          iris_test_data AS          SELECT * FROM iris_data          MINUS          SELECT * FROM iris_train_data’; END; /

该脚本完成下列两件事：

• 创建一个训练视图-75%的数据 (SAMPLE (75)) 在随机种子42中分割( SEED (42))。

• 创建一个测试视图-区分整个数据集和训练视图

数据储存在叫做iris_train_data和iris_test_data的视图中，猜猜看它们分别存什么。

SELECT COUNT(*) FROM iris_train_data; >>> 111 SELECT COUNT(*) FROM iris_test_data; >>> 39

模型训练

模型训练最简单的方法是无须创建额外的设置表格，只执行单一过程的DBMS_DATA_MINING包。使用决策树算法来训练模型。方法如下：

DECLARE      v_setlstDBMS_DATA_MINING.SETTING_LIST; BEGIN     v_setlst(‘PREP_AUTO’) := ‘ON’;     v_setlst(‘ALGO_NAME’) :=‘ALGO_DECISION_TREE’;       DBMS_DATA_MINING.CREATE_MODEL2(         ‘iris_clf_model’,         ‘CLASSIFICATION’,         ‘SELECT * FROM iris_train_data’,         v_setlst,         ‘iris_id’,         ‘species’     ); END; /

CREATE_MODEL2过程接受多种参数。接着我们对进入的参数进行解释：

• iris_clf_model — 只是模型名称，它可以是任何东西。

• CLASSIFICATION — 正在进行的机器学习任务，因某种原因必须大写。

• SELECT * FROM iris_train_data — 指定训练数据存储位置。

• v_setlst — 模型的上述设置列表。

• iris_id — 序列类型列的名称(每个值都是唯一的)。

• species — 目标变量的名称(试图预测的东西)

执行这一模块需要一到两秒钟，执行完毕就可以开始计算了!

模型评价

使用该脚本评估此模型：

BEGIN     DBMS_DATA_MINING.APPLY(         ‘iris_clf_model’,          ‘iris_test_data’,          ‘iris_id’,          ‘iris_apply_result’     ); END; /

它将iris_clf_model应用于不可见测试数据iris_test_data，并将评估结果存储到iris_apply_result表中。

行数更多(39×3)，但突显了要点。这还不够直观，所以下面以一种稍微不同的方式来展示结果：

DECLARE       CURSOR iris_ids IS           SELECT DISTINCT(iris_id) iris_id          FROM iris_apply_result           ORDER BY iris_id;      curr_y      VARCHAR2(16);      curr_yhat   VARCHAR2(16);      num_correct INTEGER := 0;      num_total   INTEGER := 0; BEGIN     FOR r_id IN iris_ids LOOP         BEGIN             EXECUTE IMMEDIATE                  ‘SELECT species FROM                  iris_test_data                  WHERE iris_id = ‘ ||r_id.iris_id                 INTO curr_y;             EXECUTE IMMEDIATE                  ‘SELECT prediction                  FROM iris_apply_result                  WHERE iris_id = ‘ ||r_id.iris_id ||                 ‘AND probability = (                    SELECTMAX(probability)                         FROMiris_apply_result                         WHERE iris_id = ‘|| r_id.iris_id ||                     ‘)’ INTO curr_yhat;         END;           num_total := num_total + 1;         IF curr_y = curr_yhat THEN              num_correct := num_correct +1;         END IF;      END LOOP;       DBMS_OUTPUT.PUT_LINE(‘Num. testcases: ‘          || num_total);     DBMS_OUTPUT.PUT_LINE(‘Num. correct :‘          || num_correct);     DBMS_OUTPUT.PUT_LINE(‘Accuracy : ‘          || ROUND((num_correct /num_total), 2)); END; /

确实很多，但上述脚本不能再简化了。下面进行分解：

• CURSOR—得到所有不同的iris_ids(因为iris_apply_results 表中有重复)。

• curr_y, curr_yhat, num_correct, num_total  是存储每次迭代中的实际种类和预测种类、正确分类数量和测试项总数的变量。

• 对于每个唯一的iris_id 得到实际种类(来自匹配ID的iris_test_data)和预测种类(在 iris_apply_results  表中预测概率最高)

• 轻松检查实际值和预测值是否相同——这表明分类是正确的。

• 变量 num_total 和 num_correct 在每次迭代中更新。

• 最后，将模型性能打印到控制台。

下面为该脚本输出：

 

• 测试集有39个用例

• 39个样本中，正确分类的有37个

• 结果准确率为95%

到此，关于“如何解决不能用Python执行机器学习问题”的学习就结束了，希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习，快去试试吧！若想继续学习更多相关知识，请继续关注创新互联网站，小编会继续努力为大家带来更多实用的文章！