本章內(nèi)容非常適合有些同學(xué)想要從事機器人開發(fā)的，我們在正式開始學(xué)習(xí)之前，一定是先對基礎(chǔ)的內(nèi)容進(jìn)行了解，包括函數(shù)，方法，語法等等，當(dāng)然還有我們本章要讓大家接觸的算法，重要的，也是經(jīng)常會在機器上面遇到的sklearn算法，肯定有很多人不了解吧，那就一起來看下吧~

　　1、高斯樸素貝葉斯 (GaussianNB)

　　介紹如何使用sklearn來實現(xiàn)GaussianNB

　　from sklearn import datasets

　　iris = datasets.load_iris()

　　from sklearn.naive_bayes import GaussianNB

　　gnb = GaussianNB()

　　y_pred = gnb.fit(iris.data, iris.target).predict(iris.data)

　　print("Number of mislabeled points out of a total %d points : %d"

　　% (iris.data.shape[0],(iris.target != y_pred).sum()))

　　2、多項式樸素貝葉斯 (MultinomialNB/MNB)

　　隨機生成一組數(shù)據(jù)，然后使用MultinomialNB算法來學(xué)習(xí)。

　　import numpy as np

　　X = np.random.randint(50, size=(1000, 100))

　　y = np.random.randint(6, size=(1000))

　　填寫下面表單即可預(yù)約申請免費試聽java課程!害怕學(xué)不會?助教全程陪讀，隨時解惑!擔(dān)心就業(yè)?一地學(xué)習(xí)，可全國推薦就業(yè)!

　　from sklearn.naive_bayes import MultinomialNB

　　clf = MultinomialNB()

　　clf.fit(X, y)

　　print(clf.predict(X[2:3]))

　　3. 伯努利樸素貝葉斯 (BernoulliNB)

　　BernoulliNB實現(xiàn)了基于多元伯努利分布的數(shù)據(jù)的樸素貝葉斯訓(xùn)練和分類算法

　　案例:

　　import numpy as np

　　X = np.random.randint(50, size=(1000, 100))

　　y = np.random.randint(6, size=(1000))

　　from sklearn.naive_bayes import BernoulliNB

　　clf = BernoulliNB()

　　clf.fit(X, Y)

　　print(clf.predict(X[2:3]))

　　4. 決策樹

　　決策樹作為十大經(jīng)典算法之一，能夠很好的處理多分類問題。

　　決策樹的sklearn接口：

　　class sklearn.tree.DecisionTreeClassifier(criterion=’gini’, splitter=’best’, max_depth=None, min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0, max_features=None, random_state=None, max_leaf_nodes=None, min_impurity_decrease=0.0, min_impurity_split=None, class_weight=None, presort=False)

　　好啦，以上就是關(guān)于sklearn里面的算法使用了哦~大家如果想了解機器人學(xué)習(xí)的可以多多看下哦~