用Python开始机器学习1

标题“用Python开始机器学习1”和描述主要介绍了如何配置Python环境来开始机器学习，特别是针对Windows平台。以下是详细的知识点： 1. **Python作为机器学习平台**： Python是一种广泛用于机器学习的编程语言，因其丰富的库和易读性而受到欢迎。文中提到了几个关键的Python库，包括Numpy、Scipy、Scikit-learn和Matplotlib。 2. **Numpy库**： Numpy是Python中的一个科学计算库，特别适合处理大规模的多维数据。它提供了高效的数组操作和矩阵运算，是数据预处理和构建模型的基础。 3. **Scipy库**： Scipy是另一个重要的科学计算库，包含了数学、优化、插值、线性代数和统计等功能，对机器学习中的数值计算非常有用。 4. **Scikit-learn库**： Scikit-learn是Python中最流行的机器学习库，提供了多种机器学习算法，包括分类、回归、聚类和降维等。它还包含了数据预处理、模型选择和评估工具。 5. **Matplotlib库**： Matplotlib是Python的数据可视化库，可以用于绘制2D和3D图形，对于理解和展示机器学习模型的预测结果至关重要。 6. **安装Python库**： 文中提到的网站`http://www.lfd.uci.edu/~gohlke/pythonlibs/`提供了一个方便的资源，可以在这里找到对应Python版本的扩展库的.exe安装文件。安装时，如果是.exe文件，可以直接运行；如果不是，需要手动将库文件复制到Python的site-packages目录下。 7. **测试库的安装**： 使用`import`语句可以检查Python库是否已成功安装。如果导入时出现错误，说明库没有正确安装，需要查找并安装缺失的库。 8. **依赖库的安装**： 安装主要库时，可能会遇到依赖库的问题，例如six、nose、pyparsing和dateutil。如果遇到版本不兼容或缺失的情况，需要单独安装这些依赖库。 9. **资源推荐**： - Python教程：`http://www.liaoxuefeng.com/wiki/001374738125095c955c1e6d8bb493182103fac9270762a000` - Scikit-learn教程：`http://scikit-learn.org/stable/windows` - Python IDE选择：`http://blog.csdn.net/cserchen/article/details/7036435` - 机器学习入门书籍《机器学习系统设计》的源码和数据：`https://github.com/luispedro/BuildingMachineLearningSystemsWithPython/tree/master/ch02` 10. **决策树算法**： 在接下来的部分，文章提到了机器学习中的决策树算法，这是一种直观且易于理解的分类方法。ID3算法是基于信息熵和信息增益的决策树构建方法，后续的C4.5、C5.0和CART等算法是对ID3的改进。 11. **信息熵和信息增益**： 信息熵是衡量数据纯度或无序程度的指标。在构建决策树时，信息增益用于选择最佳属性进行划分，以减少数据集的不确定性。 通过以上步骤和知识，读者可以建立一个基本的Python机器学习环境，并开始学习和实践决策树算法。在后续章节中，文章将深入探讨决策树分类算法的具体应用。