文章目录

• 实验环境搭建
• • Anaconda安装
  • 开发环境
  • 安装sklearn和TensorFlow2的CPU版本
• Python 初步应用示例-迭代法
• Sklearn鸢尾花数据集
• • 准备实验环境
  • 介绍数据集
  • 利用数据画出散点图

实验环境搭建

Anaconda安装

Python 的可应用于不同领域业务开发的第三方扩展库来自于不同的机构。它们不仅数量庞大，而且相互之间存在复杂的依赖关系，维护管理起来很麻烦。Anaconda 是一个可对 Python 及其常用扩展库进行下载、安装和自动管理的软件。

可到 Anaconda 官方网站https://www.anaconda.com/products/individual
下载安装包安装。如果官方网站下载速度不稳定，可到
清华大学开源软件镜像站 https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/

安装完成后，在“开始”菜单里会出现 Anaconda3 的程序组，

在 Anaconda3 程序组里选择点击“Anaconda Navigator”，启动 Navigator 图形化管理界面.
Conda 命令行管理界面通过选择点击“Anaconda Prompt”启动，输入“conda –V”和“conda list”命令，分别查看 Anaconda 的版本号和已经默认安装的包及其版本号

输入“python -V”可以查看该版本的 Anaconda 默认安装的 python 的版本为 3.7.0。输入“python”，启动交互式编程模式，在第一行指出了 python 的版本。
在“>>>”后输入 print(“Hello, World!”)后回车，将在下一行输出“Hello, World!”。

在下图中，最主要用的是jupyter notebook,vs code,pycharm

开发环境

采用 Anaconda 自带的 Spyder 和 Jupyter Notebook 作为开发环境。

Spyder 是图形化集成开发环境，在 Anaconda 程序组里选择点击“Spyder”，或者在 Conda 命令行管理界面里输入“spyder”启动 Spyder。

Jupyter Notebook（此前被称为 IPython notebook）是一个交互式笔记本，它是一个 Web 应用程序，可将代码、文本说明、数学方程、图表等集合在 一个文档里，表达能力非常强，便于交流。现在很多资料都采用 Jupyter 格式，成为同行交流的重要工具。

安装sklearn和TensorFlow2的CPU版本

1.先将下载源更换为清华大学镜像站。
在 Conda 命令行管理界面中，输入如下四条命令（可到网上搜索相关内容，直接拷贝
到 Conda 命令行管理界面中执行即可，不必逐字输入）：
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/

conda config --set show_channel_urls yes
成功执行后，即将默认下载源更换为清华大学的镜像站，最后一条命令是设置提示通道地址。

2.新建一个专用于机器学习的名为 ml 的环境。
在 conda 命令行管理界面中输入并执行“conda create –n ml”命令后，即新建一个名为 ml 的环境

3.安装扩展库
新建环境是空环境，需要安装各种库，anaconda 会自动安装各种依赖库。安装库的命
令为：conda install ***。
输入并执行“activate ml”命令切换到新建的 ml 环境中。
输入并执行以下命令以安装示例所使用的库：
conda install python=3.7.5
conda install scikit-learn=0.23.2
conda install tensorflow=2.0.0

在新的环境中，还需要安装各种辅助的库，如编程环境 spyder 和 jupyter 等。

Python 初步应用示例-迭代法

迭代法（iteration）又称辗转法或逐次逼近法。迭代法的核心是建立迭代关系式。只有正确的迭代关系式才能取得正确解。

来看一个示例。

假设在空池塘中放入一颗水藻，该类水藻会每周长出三颗新的水藻，问：十周后，池塘中有多少颗水藻？

第 1 周的水藻数量：1；
第 2 周的水藻数量：1 + 1 × 3；
第 3 周的水藻数量：1 + 1 × 3 + (1 + 1 × 3) × 3
…
可以归纳出从当前周水藻数量到下一周水藻数量的迭代关系式。设上周水藻数量为x，
从上周到本周水藻将增加的数量为y，本周的水藻数量为x′，那么在一次迭代中：

迭代开始时，水藻的数量为 1，为迭代法的初始条件。
迭代次数为 9（不包括第一周），为迭代过程的控制条件。

下面给出的代码迭代过程共循环 9 次，用 while 语句来循环实现迭代。一般用一轮循环来实现一次迭代。大家可以自己尝试改用 for 语句方式来实现迭代。

x = 1 # 初始条件：第一周水藻数量 times = 1 # 迭代次数 
while times < 10: # 迭代过程 
	y = 3 * x 
	x = x + y 
	times += 1 
	print("第%d 周的水藻数量:%d" % (times, x)) 

输出为

第 2 周的水藻数量:4 
第 3 周的水藻数量:16 
第 4 周的水藻数量:64 
第 5 周的水藻数量:256 
第 6 周的水藻数量:1024 
第 7 周的水藻数量:4096 
第 8 周的水藻数量:16384 
第 9 周的水藻数量:65536 
第 10 周的水藻数量:262144

用迭代法求下列方程的解：

应用迭代法来求解，如何建立迭代关系式呢？

代码如下：

import math #导入math库
x=0
for i in range(100):
	x = (6 - x**3 - (math.e**x)/2.0)/5.0 #使用指数函数
	print(str(i)+":"+str(x))

运行结果显示从 28 次迭代开始，收敛于 0.84592。

扩展：下面的给出更常用的采用阈值来控制迭代结束的示例，如果相邻两次迭代的差值小于指定的 delta，则通过 break 语句退出迭代。运行结果显示在第 28 次循环退出迭代。

x = 0 # 初始条件 
delta = 0.00001 # 控制退出条件 
times = 0 # 用来显示迭代次数 
while True: # 条件为 True，如果没有别的退出手段，则死循环
    x_old = x 
    x = (6 - x**3 - (math.e**x)/2.0)/5.0 
    print(str(times)+":"+str(x)) 
    times += 1 
    if abs(x - x_old) < delta: 
        break # 如果符合退出条件，则直接退出循环

Sklearn鸢尾花数据集

准备实验环境

pip更新：Python -m pip install --upgrade pip
sklearn安装：Python -m pip install -u scikit-learn
matplotlib安装：Python -m pip install -u matplotlib
numpy安装：Python -m pip install numpy --ignore-installed numpy

介绍数据集

Iris数据集是常用的分类实验数据集，由Fisher, 1936收集整理。

Iris也称鸢尾花卉数据集，是一类多重变量分析的数据集。**数据集包含150个数据样本，分为3类，每类50个数据，每个数据包含4个属性。**可通过花萼长度，花萼宽度，花瓣长度，花瓣宽度4个属性预测鸢尾花卉属于（Setosa，Versicolour，Virginica）三个种类中的哪一类。

iris以鸢尾花的特征作为数据来源，常用在分类操作中。该数据集由3种不同类型的鸢尾花的各50个样本数据构成。其中的一个种类与另外两个种类是线性可分离的，后两个种类是非线性可分离的。

该数据集包含了4个属性：

• & Sepal.Length（花萼长度），单位是cm;
• & Sepal.Width（花萼宽度），单位是cm;
• & Petal.Length（花瓣长度），单位是cm;
• & Petal.Width（花瓣宽度），单位是cm;

种类：Iris Setosa（山鸢尾）、Iris Versicolour（杂色鸢尾），以及Iris Virginica（维吉尼亚鸢尾）

scikit-learn自带一些经典的数据集，如iris，digits，boston house prices，可以直接导入

• 导入方式

form sklearn import datasets
iris=datasets.load_iris() #导入的数据是一种字典形式，特征存储在iris.data中，标签存储在iris.target中

利用数据画出散点图

画出散点图，横轴表示萼片宽度，纵轴为萼片长度，倒三角为山鸢尾，绿色圆为北美鸢尾，蓝色圆为变色鸢尾。

代码如下：

from sklearn import datasets
from matplotlib import pyplot as plt
import numpy as np  

iris=datasets.load_iris()
irisFeature=iris.data #特征：二维数组，150行4列
irisTarget=iris.target #标签

for i in range(len(irisTarget)): # 遍历每一个标签，即每一个样本的数据
    if irisTarget[i]==0:
        plt.scatter(irisFeature[i,2], irisFeature[i,3],c="r",marker="v") #花萼长当横坐标，花萼宽纵坐标，c=color颜色，marker点的形状
    elif irisTarget[i]==1:
        plt.scatter(irisFeature[i,2], irisFeature[i,3], c="g",marker="8")
    else:
        plt.scatter(irisFeature[i,2], irisFeature[i,3], c="b",marker="o")
plt.title("iris") # 给图取标题
plt.xlabel("ewidth")
plt.ylabel("elength")
plt.show()  #显示出来

结果如图：

画出散点图，横轴表示花瓣宽度，纵轴为花瓣长度，倒三角为山鸢尾，绿色圆为北美鸢尾，蓝色圆为变色鸢尾。

from sklearn import datasets
from matplotlib import pyplot as plt
import numpy as np  

iris=datasets.load_iris()
irisFeature=iris.data #二维数组，150行4列
irisTarget=iris.target #

for i in range(len(irisTarget)):
    if irisTarget[i]==0:
        plt.scatter(irisFeature[i,2], irisFeature[i,3],c="r",marker="v") #花瓣长当横坐标，花瓣宽纵坐标，c=color颜色，marker点的形状
    elif irisTarget[i]==1:
        plt.scatter(irisFeature[i,2], irisFeature[i,3], c="g",marker="8")
    else:
        plt.scatter(irisFeature[i,2], irisFeature[i,3], c="b",marker="o")
plt.title("iris") # 给图取标题
plt.xlabel("ewidth")
plt.ylabel("elength")
plt.show()  #显示出来

结果如下：