Docker下，五分钟极速体验机器学习，学java最好的入门书籍

本文主要是介绍Docker下，五分钟极速体验机器学习，学java最好的入门书籍，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

Or copy and paste one of these URLs:

http://(a61298ac6493 or 127.0.0.1):8888/?token=708d365fce9d9a76f98b2ade7e9aefcbc8401dbf5027ffa6

[W 06:31:15.960 NotebookApp] Clearing invalid/expired login cookie username-192-168-121-137-8888

[W 06:31:15.961 NotebookApp] Couldn’t authenticate WebSocket connection

[W 06:31:15.961 NotebookApp] Clearing invalid/expired login cookie username-192-168-121-137-8888

[W 06:31:15.962 NotebookApp] Clearing invalid/expired login cookie username-192-168-121-137-8888

[W 06:31:15.981 NotebookApp] 403 GET /api/kernels/5e3f93d5-4f80-4ed3-ad56-b04db61c8487/channels?session_id=33173ba03fee449da0839df0e10cfb6e (192.168.121.1) 22.41ms referer=None

注意上面的http://(a61298ac6493 or 127.0.0.1):8888/?token=708d365fce9d9a76f98b2ade7e9aefcbc8401dbf5027ffa6，其中的708d365fce9d9a76f98b2ade7e9aefcbc8401dbf5027ffa6是登录jupyter网页时要填写的token字段，后面会用到；

机器学习的开发环境已经OK了，够快吗？该运行经典入门实例了；

实战鸾尾

《一线大厂Java面试题解析+后端开发学习笔记+最新架构讲解视频+实战项目源码讲义》

【docs.qq.com/doc/DSmxTbFJ1cmN1R2dB】 完整内容开源分享

花分类

1. 运行docker的电脑IP地址是192.168.121.137，于是打开浏览器，输入地址：http://192.168.121.137:8888

2. 出现jupyter登录页面，如下图，前面我们记下来了token字符串的值(708d365fce9d9a76f98b2ade7e9aefcbc8401dbf5027ffa6)，在红框位置输进去，然后点击右侧的"Log in"按钮，即可登录成功；

3. 如下图，点击右侧的"New"，在弹出的菜单中点击"Python 3"：

4. 会出现新的页面，如下图，这就是我们输入代码和运行代码的地方：

5. 在上图红框中，输入以下代码，这段代码就是经典的鸾尾花分类：一共有150朵鸾尾花，每朵有自己的花萼长、花萼宽、花瓣长、花瓣宽这四个特征值，这150朵鸾尾花一共分为三类，我们取其中的140朵交给机器学习，学习完成后，我们将剩下10朵的特征给机器，让机器来分类，最后对比机器分类的结果和实际结果，看看误差有多大，代码中已经添加了详细的注释，就不再赘述了：

from sklearn.datasets import load_iris

from sklearn.model_selection import train_test_split

import numpy as np

import pandas as pd

from pandas.plotting import scatter_matrix

import matplotlib.pyplot as plt

from sklearn.neighbors import KNeighborsClassifier

#可以在浏览器上实时显示图像

%matplotlib inline

#取得鸾尾花数据集

iris_dataset = load_iris()

#将整个数据集分割成两部分：train用来训练，test用来测试，这里test_size等于10表示测试数据只有10条，其余的全部用作训练，

#注意，train_test_split会将iris_dataset的数据顺序打乱再分割

#X表示特征数据，每一行表示一朵鸾尾花的完整特征，该特征有四列：花萼长、花萼宽、花瓣长、花瓣宽

#y表示标签，例如y[0]=1，就表示X[0]的四个特征，对应的鸾尾花是第二类，总共有三类鸾尾花

X_train, X_test, y_train, y_test = train_test_split(iris_dataset[‘data’], iris_dataset[‘target’], test_size=10)

#在绘图的时候，指定数据列的名称来自数据集的’feature_names’

iris_dataframe=pd.DataFrame(X_train, columns=iris_dataset[‘feature_names’])

#绘图，散点矩阵图，每个小图和横轴是一个特征，纵轴是另个特征，

#例如花萼长做横轴、花萼宽做纵轴，可以看出不同的花萼长、花萼宽数据对应的鸾尾花类型分布情况

grr=scatter_matrix(iris_dataframe, c=y_train, figsize=(15,15), marker=‘o’, hist_kwds={‘bins’:20}, s=60, alpha=.8)

#使用K最邻近算法来做训练

knn = KNeighborsClassifier(n_neighbors=1)

#用前面分割好的数据来做训练，X是特征，y是确定的鸾尾花的类型

knn.fit(X_train, y_train)

#训练完毕后，输入前面分割好的10组特征值，用K最邻近算法预测这10组特征值分别是哪10种鸾尾花

y_pred = knn.predict(X_test)

#把预测结果打印出来

print(“测试集预测结果：\n{}”.format(y_pred))

#y_test是早就准备好的，那10组特征对应的实际的类型

print(“测试集实际结果：\n{}”.format(y_test))

#将预测结果和实际结果做对比，可以得到预测的准确率

print(“knn打分：{:.2f}”.format(knn.score(X_test, y_test)))

6. 写完了代码，点击下图红框中的按钮，即可运行：

7. 运行结果会立即显示出来，如下图：

8. 您可以修改源码中train_test_split方法的test_size参数，例如从10改为50，这样学习样本就减少了，而测试数据增加了，理论上推测准确率会下降，请您自行修改和验证这个推论；

至此，您已经搭建好了机器学习的开发环境，并且运行了最经典的入门Demo。

关于Docker

一行命令就搭建好了开发环境，您也许会对该命令中的Docker镜像感兴趣，该镜像的关键是两个文件：制作镜像的Dockerfile和容器启动的docker-entrypoint.sh，您可以在可以从GitHub上下载这两个文件，地址和链接信息如下表所示：

| 名称 | 链接 | 备注 |

| :-- | :-- | :-- |

| 项目主页 | https://github.com/zq2599/blog_demos | 该项目在GitHub上的主页 |

| git仓库地址(https) | https://github.com/zq2599/blog_demos.git | 该项目源码的仓库地址，https协议 |

| git仓库地址(ssh) | git@github.com:zq2599/blog_demos.git | 该项目源码的仓库地址，ssh协议 |

这篇关于Docker下，五分钟极速体验机器学习，学java最好的入门书籍的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！