Python机器学习课件及源代码下载

Python机器学习，源代码，课件

Python机器学习，源代码，课件

Python课程设计项目：基于python机器学习(ml)的天气预测和天气可视化+源代码+文档说明

# 一、项目介绍 **项目名称：天气预测和天气可视化** 天气预测和天气可视化是一个基于python机器学习(ml)的长春地区的天气预报项目，它实现了天气数据的爬取，预测和可视化。 项目结构如下：  * 天气数据的来源 GetData文件使用python爬虫技术,爬取长春和全国的天气信息数据 爬取网站：http://tianqi.2345.com/wea_history/54161.htm ProcessDate文件对爬取的天气数据进行了预处理 几个CSV文件保存的是爬取后并经过处理的数据 * 天气数据的预测 GetModel文件通过训练预测模型来预测长春近一周的天气，该文件利用Joblib将模型保存到本地 Main文件是项目主文件，通过运行该文件即可运行整个项目，该文件前部分获取保存到本地的预测模型来进行预测，并将预测结果打印到控制台 * 天气数据的可视化 Main文件后部分实现了天气数据的可视化 # 二、详细介绍 本项目分为三个部分，即爬取和处理数据，数据预测（包含评价方法）和数据可视化 ## 1. 爬取和处理数据 数据爬取代码： ````py resq = requests.get(url, headers=headers, params=params) data = resq.json()["data"] # data frame df = pd.read_html(data)[0] ```` 即使用python爬取网站的json数据 ### **数据预处理：** 获取到的天气信息包括最高温，最低温都不是int格式的数字，通过对数据截取，将部分指标的数据变换为int类型 并对缺失值进行了处理 ````py my_imputer = SimpleImputer() imputed_X_train = pd.DataFrame(my_imputer.fit_transform(X_train)) imputed_X_valid = pd.DataFrame(my_imputer.transform(X_valid)) ```` 通过SimpleImputer ，可以将现实数据中缺失的值通过同一列的均值、中值、或者众数补充起来，本项目使用了SimpleImputer的fit_transform对缺失值进行填充 ## 2. 数据预测和模型评价方法 预测数据采用了机器学习算法——线性回归 模型使用过程： ### A. 提取数据 ````py 获取测试集、训练集、验证集 [X_train, X_valid, y_train, y_valid, X_test] = ProcessData.ProcessData() ```` 其中ProcessData()函数里使用了如下语句： ````py X_train, X_valid, y_train, y_valid = train_test_split(X, y, train_size=0.8, test_size=0.2, random_state=0) ```` train_test_split()是sklearn包的model_selection模块中提供的随机划分训练集和验证集的函数；使用train_test_split函数将完整的数据集和验证集以同等的比例分成2组不同的数据集和验证集 ### B. 训练模型 选择了随机树森林模型(randomforest)，然后用fit来训练模型 ````py # 随机树森林模型 model = RandomForestRegressor(random_state=0, n_estimators=1001) # 训练模型 model.fit(X_train, y_train) ```` ### C. 根据数据预测 ````py # 最终预测结果 preds = model.predict(r[1]) -------- 该资源内项目源码是个人的毕设，代码都测试ok，都是运行成功后才上传资源，答辩评审平均分达到96分，放心下载使用！ <项目介绍> 1、该资源内项目代码都经过测试运行成功，功能ok的情况下才上传的，请放心下载使用！ 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载学习，也适合小白学习进阶，当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。 3、如果基础还行，也可在此代码基础上进行修改，以实现其他功能，也可用于毕设、课设、作业等。 下载后请首先打开README.md文件（如有），仅供学习参考, 切勿用于商业用途。 --------

ml_collections:ML集合是专为ML用例设计的Python集合库

ML集合 ML集合是为ML用例设计的Python集合库。 ConfigDict 名为ConfigDict和FrozenConfigDict的两个类是“点状”数据结构，可以对嵌套元素进行点访问。 总之，它们被认为是表达实验和模型配置的主要方式。 本文档介绍ConfigDict ， FrozenConfigDict ， FieldReference示例用法。 特征 基于点的字段访问。 锁定机制可防止拼写错误。 惰性计算。 FrozenConfigDict（）类是不可变的且可哈希化的。 类型安全。 “您是不是要”功能。 使用有效的YAML格式的人类可读打印（带有有效的参考和周期）。 可以使用**运算符将字段作为关键字参数传递。 ConfigDict的强类型安全性有两个例外。 可以将int值传递给float类型的字段。 在这种情况下，该值在存储之前被类型转换为float型。 同

Python机器学习课件及源代码

备注:本书源文件和课件提供下载。书名原文: Python Machine Learning。另外还有 微课视频下载地址： 链接：https://pan.baidu.com/s/1uBuny8iUA2OZJFAWAFKDrw 提取码：iepx

Python-ml5js面向web应用基于TensorFlowjs的机器学习算法库

ml5js：面向web应用基于TensorFlow.js的机器学习算法库