面向初学者的顶级 Python 机器学习项目 [2022]

如果你想成为一名机器学习专业人士，你必须获得使用其技术的经验。 最好的方法是完成项目。 这就是为什么在本文中，我们将分享多个 Python 机器学习项目，以便您可以快速开始测试您的技能并获得宝贵的经验。

但是，在开始之前，请确保您熟悉机器学习及其算法。 如果您之前没有做过项目，请不要担心，因为我们还分享了一个项目的详细教程：

鸢尾花数据集：初学者

Iris 数据集很容易成为 Python 中最受欢迎的机器学习项目之一。 它相对较小，但其简单和紧凑的尺寸使其非常适合初学者。 如果你没有在 Python 中从事过任何机器学习项目，你应该从它开始。 鸢尾花数据集是花萼片和鸢尾花花瓣大小的集合。 它有三个类，每个类都有 50 个实例。

我们在不同的地方提供了示例代码，但您应该只使用它来了解它是如何工作的。 在不理解代码的情况下实现代码将无法完成项目的前提。 所以在实现之前一定要好好理解代码。

第 1 步：导入库

任何机器学习项目的第一步都是导入库。 Python 如此通用的一个主要原因是其强大的库。 我们在这个项目中需要的库是：

• 熊猫
• Matplotlib
• 学习
• 科学派
• 数字货币

将库导入系统有多种方法，您应该使用特定的方式来导入所有库。 它将确保一致性并帮助您避免任何混淆。 请注意，安装因设备的操作系统而异，因此在导入库时请记住这一点。

代码：

# 加载库

从熊猫导入 read_csv

从 pandas.plotting 导入 scatter_matrix

从 matplotlib 导入 pyplot

从 sklearn.model_selection 导入 train_test_split

从 sklearn.model_selection 导入 cross_val_score

从 sklearn.model_selection 导入 StratifiedKFold

从 sklearn.metrics 导入分类报告

从 sklearn.metrics 导入混淆矩阵

从 sklearn.metrics 导入 accuracy_score

从 sklearn.linear_model 导入 LogisticRegression

从 sklearn.tree 导入 DecisionTreeClassifier

从 sklearn.neighbors 导入 KNeighborsClassifier

从 sklearn.discriminant_analysis 导入 LinearDiscriminantAnalysis

从 sklearn.naive_bayes 导入 GaussianNB

从 sklearn.svm 导入 SVC

阅读：面向初学者的 10 大机器学习数据集项目创意

第 2 步：加载数据集

导入库后，是时候加载数据集了。 正如我们所讨论的，我们将在这个项目中使用 Iris 数据集。 你可以从这里下载。

确保在加载数据时指定每列的名称，这将在以后的项目中为您提供帮助。 我们建议下载数据集，因此即使您遇到连接问题，您的项目也不会受到影响。

代码：

# 加载数据集

url = “https://raw.githubusercontent.com/jbrownlee/Datasets/master/iris.csv”

名称= ['萼片长度'，'萼片宽度'，'花瓣长度'，'花瓣宽度'，'类']

数据集 = read_csv（网址，名称=名称）

第三步：总结

在我们开始使用数据集之前，我们必须首先查看其中存在的数据。 我们将首先检查数据集的维度，这表明数据集有五个属性和 150 个实例。

检查维度后，您应该查看数据集的几行和几列，以大致了解其内容。 然后，您应该查看数据集的统计摘要，并查看哪些指标在同一数据集中最普遍。

最后，您应该检查数据集中的类分布。 这意味着您必须检查每个类下有多少实例。 这是总结我们的数据集的代码：

# 汇总数据

从熊猫导入 read_csv

# 加载数据集

url = “https://raw.githubusercontent.com/jbrownlee/Datasets/master/iris.csv”

名称= ['萼片长度'，'萼片宽度'，'花瓣长度'，'花瓣宽度'，'类']

数据集 = read_csv（网址，名称=名称）

＃ 形状

打印（数据集。形状）

＃ 头

打印（dataset.head（20））

# 描述

打印（数据集。描述（））

# 类分布

打印(dataset.groupby('class').size())

第 4 步：可视化数据

汇总数据集后，您应该将其可视化以便更好地理解和分析。 您可以使用单变量图详细分析每个属性，使用多变量图来研究每个要素的关系。 数据可视化是机器学习项目的一个重要方面，因为它有助于找到数据集中存在的基本信息。

第 5 步：算法评估

可视化数据后，我们将评估几种算法以找到适合我们项目的最佳模型。 首先，我们将创建一个验证数据集，我们将从原始数据集中取出该数据集。 然后我们将使用 10 折交叉验证并创建各种模型。 如前所述，我们的目标是通过测量花朵来预测物种。 您应该使用不同类型的算法，并挑选出产生最佳结果的算法。 您可以测试 SVM（支持向量机）、KNN（K-最近邻）、LR（逻辑回归）等。

在我们的实现中，我们发现 SVM 是最好的模型。 这是代码：

从熊猫导入 read_csv

从 matplotlib 导入 pyplot

从 sklearn.model_selection 导入 train_test_split

从 sklearn.model_selection 导入 cross_val_score

从 sklearn.model_selection 导入 StratifiedKFold

从 sklearn.linear_model 导入 LogisticRegression

从 sklearn.tree 导入 DecisionTreeClassifier

从 sklearn.neighbors 导入 KNeighborsClassifier

从 sklearn.discriminant_analysis 导入 LinearDiscriminantAnalysis

从 sklearn.naive_bayes 导入 GaussianNB

从 sklearn.svm 导入 SVC

# 加载数据集

url = “https://raw.githubusercontent.com/jbrownlee/Datasets/master/iris.csv”

名称= ['萼片长度'，'萼片宽度'，'花瓣长度'，'花瓣宽度'，'类']

数据集 = read_csv（网址，名称=名称）

# 拆分验证数据集

数组 = 数据集.值

X = 数组[:,0:4]

y = 数组[:,4]

X_train, X_validation, Y_train, Y_validation = train_test_split(X, y, test_size=0.20, random_state=1, shuffle=True)

# 抽查算法

型号= []

models.append(('LR', LogisticRegression(solver='liblinear', multi_class='ovr')))

models.append(('LDA', LinearDiscriminantAnalysis()))

models.append(('KNN', KNeighborsClassifier()))

models.append(('CART', DecisionTreeClassifier()))

models.append(('NB', GaussianNB()))

models.append(('SVM', SVC(gamma='auto')))

# 依次评估每个模型

结果 = []

名称 = []

对于名称，模型中的模型：

kfold = StratifiedKFold(n_splits=10, random_state=1, shuffle=True)

cv_results = cross_val_score(model, X_train, Y_train, cv=kfold, score='accuracy')

结果.append(cv_results)

名称.附加（名称）

print('%s: %f (%f)' % (name, cv_results.mean(), cv_results.std()))

# 比较算法

pyplot.boxplot（结果，标签=名称）

pyplot.title('算法比较')

pyplot.show()

第 6 步：预测

在您评估了不同的算法并选择了最好的算法之后，就该预测结果了。 我们将首先在验证数据集上使用我们的模型来测试它的准确性。 之后，我们将在整个数据集上对其进行测试。

这是在数据集上运行我们的模型的代码：

＃ 作出预测

从熊猫导入 read_csv

从 sklearn.model_selection 导入 train_test_split

从 sklearn.metrics 导入分类报告

从 sklearn.metrics 导入混淆矩阵

从 sklearn.metrics 导入 accuracy_score

从 sklearn.svm 导入 SVC

# 加载数据集

url = “https://raw.githubusercontent.com/jbrownlee/Datasets/master/iris.csv”

名称= ['萼片长度'，'萼片宽度'，'花瓣长度'，'花瓣宽度'，'类']

数据集 = read_csv（网址，名称=名称）

# 拆分验证数据集

数组 = 数据集.值

X = 数组[:,0:4]

y = 数组[:,4]

X_train, X_validation, Y_train, Y_validation = train_test_split(X, y, test_size=0.20, random_state=1)

# 对验证数据集进行预测

模型= SVC（伽玛='自动'）

model.fit(X_train, Y_train)

预测 = model.predict(X_validation)

# 评估预测

打印（accuracy_score（Y_validation，预测））

打印（混淆矩阵（Y_validation，预测））

打印（分类报告（Y_validation，预测））

而已。 您现在已经使用 Iris 数据集在 Python 中完成了一个机器学习项目。

Python 中的其他机器学习项目

Iris 数据集主要面向初学者。 如果你有一些在 Python 中从事机器学习项目的经验，你应该看看下面的项目：

1. 使用机器学习预测股票价格

股票市场是应用机器学习算法的绝佳场所。 公司使用 AI 算法和基于 ML 的技术进行技术分析已经有一段时间了。 您还可以构建预测股票价格的 ML 模型。

但是，要处理这个项目，您必须使用多种技术，包括回归分析、预测分析、统计建模和行动分析。 您可以从证券交易所的官方网站获取必要的数据。 他们共享有关股票过去表现的数据。 您可以使用这些数据来训练和测试您的模型。

作为初学者，您可以专注于一家特定的公司并预测其三个月的股票价值。 同样，如果您想让项目具有挑战性，您可以使用多家公司并延长您的预测时间表。

你将从这个项目中学到什么：

本项目将使您熟悉人工智能和机器学习在金融行业的应用。 你也可以通过这个项目学习预测分析，尝试不同的算法。

2. 从零开始编写机器学习算法

如果你是初学者并且没有在 Python 中从事过任何机器学习项目，你也可以从这个开始。 在这个项目中，您必须从头开始构建 ML 算法。 做这个项目将帮助您了解算法功能的所有基础知识，同时还教您将数学公式转换为机器学习代码。

知道如何将数学概念转换为 ML 代码至关重要，因为您将来必须多次实现它。 当您要解决更高级的问题时，您将不得不依赖这项技能。 您可以根据自己对概念的熟悉程度来选择任何算法。 如果您缺乏经验，最好从简单的算法开始。

你将从这个项目中学到什么：

您将熟悉人工智能和机器学习的数学概念。

3. 创建手写阅读器

这是一个计算机视觉项目。 计算机视觉是与图像分析相关的人工智能领域。 在此项目中，您将创建一个可以读取手写内容的 ML 模型。 阅读意味着模型应该能够识别纸上写的内容。 您必须在此项目中使用神经网络才能熟悉深度学习及其相关概念。

您首先必须对图像进行预处理并删除不必要的部分； 换句话说，为了清晰起见，对图像进行数据清理。 之后，您必须对图像进行分割和调整大小，以便算法可以正确读取字符。 完成预处理和分割后，您可以进入下一步，分类。 分类算法将区分文本中存在的字符并将它们放入各自的类别中。

您可以使用 log sigmoid 激活来为此项目训练您的 ML 算法。

你将从这个项目中学到什么：

您将学习计算机视觉和神经网络。 完成这个项目也会让你熟悉图像识别和分析。

4. 销售预测者

零售业有许多人工智能和机器学习应用。 在这个项目中，您会发现一个这样的应用程序，即预测产品的销售量。

机器学习爱好者中流行的数据集是 BigMart 销售数据集。 它在 10 个城市的各个门店拥有超过 1559 种产品。 您可以使用数据集构建回归模型。 根据网点，您的模型必须预测来年特定产品的潜在销售量。 该数据集具有每个出口和产品的特定属性，以快速了解它们的属性以及两者之间的关系。

你将从这个项目中学到什么：

从事这个项目将使您熟悉回归模型和预测分析。 您还将了解机器学习在零售领域的应用。

了解有关机器学习和 Python 的更多信息

我们希望您发现这份 Python 机器学习项目列表对您有用。 如果您有任何问题或想法，请通过评论部分告诉我们。 我们很乐意回答您的疑问。

学习世界顶尖大学的数据科学课程。 获得行政 PG 课程、高级证书课程或硕士课程，以加快您的职业生涯。

这里有一些额外的资源来学习机器学习和 Python。

• Python 教程
• 机器学习与。 深度学习
• 机器学习应用

另一方面，如果您想获得更个性化的学习体验，您可以参加 AI 和 ML 课程。 您将通过视频、作业和项目向行业专家学习。