面向初學者的頂級 Python 機器學習項目 [2022]

如果你想成為一名機器學習專業人士，你必須獲得使用其技術的經驗。 最好的方法是完成項目。 這就是為什麼在本文中，我們將分享多個 Python 機器學習項目，以便您可以快速開始測試您的技能並獲得寶貴的經驗。

但是，在開始之前，請確保您熟悉機器學習及其算法。 如果您之前沒有做過項目，請不要擔心，因為我們還分享了一個項目的詳細教程：

鳶尾花數據集：初學者

Iris 數據集很容易成為 Python 中最受歡迎的機器學習項目之一。 它相對較小，但其簡單和緊湊的尺寸使其非常適合初學者。 如果你沒有在 Python 中從事過任何機器學習項目，你應該從它開始。 鳶尾花數據集是花萼片和鳶尾花花瓣大小的集合。 它有三個類，每個類都有 50 個實例。

我們在不同的地方提供了示例代碼，但您應該只使用它來了解它是如何工作的。 在不理解代碼的情況下實現代碼將無法完成項目的前提。 所以在實現之前一定要好好理解代碼。

第 1 步：導入庫

任何機器學習項目的第一步都是導入庫。 Python 如此通用的一個主要原因是其強大的庫。 我們在這個項目中需要的庫是：

• 熊貓
• Matplotlib
• 學習
• 科學派
• 數字貨幣

將庫導入系統有多種方法，您應該使用特定的方式來導入所有庫。 它將確保一致性並幫助您避免任何混淆。 請注意，安裝因設備的操作系統而異，因此在導入庫時請記住這一點。

代碼：

# 加載庫

從熊貓導入 read_csv

從 pandas.plotting 導入 scatter_matrix

從 matplotlib 導入 pyplot

從 sklearn.model_selection 導入 train_test_split

從 sklearn.model_selection 導入 cross_val_score

從 sklearn.model_selection 導入 StratifiedKFold

從 sklearn.metrics 導入分類報告

從 sklearn.metrics 導入混淆矩陣

從 sklearn.metrics 導入 accuracy_score

從 sklearn.linear_model 導入 LogisticRegression

從 sklearn.tree 導入 DecisionTreeClassifier

從 sklearn.neighbors 導入 KNeighborsClassifier

從 sklearn.discriminant_analysis 導入 LinearDiscriminantAnalysis

從 sklearn.naive_bayes 導入 GaussianNB

從 sklearn.svm 導入 SVC

閱讀：面向初學者的 10 大機器學習數據集項目創意

第 2 步：加載數據集

導入庫後，是時候加載數據集了。 正如我們所討論的，我們將在這個項目中使用 Iris 數據集。 你可以從這裡下載。

確保在加載數據時指定每列的名稱，這將在以後的項目中為您提供幫助。 我們建議下載數據集，因此即使您遇到連接問題，您的項目也不會受到影響。

代碼：

# 加載數據集

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

名稱= ['萼片長度'，'萼片寬度'，'花瓣長度'，'花瓣寬度'，'類']

數據集 = read_csv（網址，名稱=名稱）

第三步：總結

在我們開始使用數據集之前，我們必須首先查看其中存在的數據。 我們將首先檢查數據集的維度，這表明數據集有五個屬性和 150 個實例。

檢查維度後，您應該查看數據集的幾行和幾列，以大致了解其內容。 然後，您應該查看數據集的統計摘要，並查看哪些指標在同一數據集中最普遍。

最後，您應該檢查數據集中的類分佈。 這意味著您必須檢查每個類下有多少實例。 這是總結我們的數據集的代碼：

# 匯總數據

從熊貓導入 read_csv

# 加載數據集

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

名稱= ['萼片長度'，'萼片寬度'，'花瓣長度'，'花瓣寬度'，'類']

數據集 = read_csv（網址，名稱=名稱）

＃ 形狀

打印（數據集。形狀）

＃ 頭

打印（dataset.head（20））

# 描述

打印（數據集。描述（））

# 類分佈

打印(dataset.groupby('class').size())

第 4 步：可視化數據

匯總數據集後，您應該將其可視化以便更好地理解和分析。 您可以使用單變量圖詳細分析每個屬性，使用多變量圖來研究每個要素的關係。 數據可視化是機器學習項目的一個重要方面，因為它有助於找到數據集中存在的基本信息。

第 5 步：算法評估

可視化數據後，我們將評估幾種算法以找到適合我們項目的最佳模型。 首先，我們將創建一個驗證數據集，我們將從原始數據集中取出該數據集。 然後我們將使用 10 折交叉驗證並創建各種模型。 如前所述，我們的目標是通過測量花朵來預測物種。 您應該使用不同類型的算法，並挑選出產生最佳結果的算法。 您可以測試 SVM（支持向量機）、KNN（K-最近鄰）、LR（邏輯回歸）等。

在我們的實現中，我們發現 SVM 是最好的模型。 這是代碼：

從熊貓導入 read_csv

從 matplotlib 導入 pyplot

從 sklearn.model_selection 導入 train_test_split

從 sklearn.model_selection 導入 cross_val_score

從 sklearn.model_selection 導入 StratifiedKFold

從 sklearn.linear_model 導入 LogisticRegression

從 sklearn.tree 導入 DecisionTreeClassifier

從 sklearn.neighbors 導入 KNeighborsClassifier

從 sklearn.discriminant_analysis 導入 LinearDiscriminantAnalysis

從 sklearn.naive_bayes 導入 GaussianNB

從 sklearn.svm 導入 SVC

# 加載數據集

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

名稱= ['萼片長度'，'萼片寬度'，'花瓣長度'，'花瓣寬度'，'類']

數據集 = read_csv（網址，名稱=名稱）

# 拆分驗證數據集

數組 = 數據集.值

X = 數組[:,0:4]

y = 數組[:,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

型號= []

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')))

# 依次評估每個模型

結果 = []

名稱 = []

對於名稱，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')

結果.append(cv_results)

名稱.附加（名稱）

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

# 比較算法

pyplot.boxplot（結果，標籤=名稱）

pyplot.title('算法比較')

pyplot.show()

第 6 步：預測

在您評估了不同的算法並選擇了最好的算法之後，就該預測結果了。 我們將首先在驗證數據集上使用我們的模型來測試它的準確性。 之後，我們將在整個數據集上對其進行測試。

這是在數據集上運行我們的模型的代碼：

＃ 作出預測

從熊貓導入 read_csv

從 sklearn.model_selection 導入 train_test_split

從 sklearn.metrics 導入分類報告

從 sklearn.metrics 導入混淆矩陣

從 sklearn.metrics 導入 accuracy_score

從 sklearn.svm 導入 SVC

# 加載數據集

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

名稱= ['萼片長度'，'萼片寬度'，'花瓣長度'，'花瓣寬度'，'類']

數據集 = read_csv（網址，名稱=名稱）

# 拆分驗證數據集

數組 = 數據集.值

X = 數組[:,0:4]

y = 數組[:,4]

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

# 對驗證數據集進行預測

模型= SVC（伽瑪='自動'）

model.fit(X_train, Y_train)

預測 = model.predict(X_validation)

# 評估預測

打印（accuracy_score（Y_validation，預測））

打印（混淆矩陣（Y_validation，預測））

打印（分類報告（Y_validation，預測））

而已。 您現在已經使用 Iris 數據集在 Python 中完成了一個機器學習項目。

Python 中的其他機器學習項目

Iris 數據集主要面向初學者。 如果你有一些在 Python 中從事機器學習項目的經驗，你應該看看下面的項目：

1. 使用機器學習預測股票價格

股票市場是應用機器學習算法的絕佳場所。 公司使用 AI 算法和基於 ML 的技術進行技術分析已經有一段時間了。 您還可以構建預測股票價格的 ML 模型。

但是，要處理這個項目，您必須使用多種技術，包括回歸分析、預測分析、統計建模和行動分析。 您可以從證券交易所的官方網站獲取必要的數據。 他們共享有關股票過去表現的數據。 您可以使用這些數據來訓練和測試您的模型。

作為初學者，您可以專注於一家特定的公司並預測其三個月的股票價值。 同樣，如果您想讓項目具有挑戰性，您可以使用多家公司並延長您的預測時間表。

你將從這個項目中學到什麼：

本項目將使您熟悉人工智能和機器學習在金融行業的應用。 你也可以通過這個項目學習預測分析，嘗試不同的算法。

2. 從零開始編寫機器學習算法

如果你是初學者並且沒有在 Python 中從事過任何機器學習項目，你也可以從這個開始。 在這個項目中，您必須從頭開始構建 ML 算法。 做這個項目將幫助您了解算法功能的所有基礎知識，同時還教您將數學公式轉換為機器學習代碼。

知道如何將數學概念轉換為 ML 代碼至關重要，因為您將來必須多次實現它。 當您要解決更高級的問題時，您將不得不依賴這項技能。 您可以根據自己對概念的熟悉程度來選擇任何算法。 如果您缺乏經驗，最好從簡單的算法開始。

你將從這個項目中學到什麼：

您將熟悉人工智能和機器學習的數學概念。

3. 創建手寫閱讀器

這是一個計算機視覺項目。 計算機視覺是與圖像分析相關的人工智能領域。 在此項目中，您將創建一個可以讀取手寫內容的 ML 模型。 閱讀意味著模型應該能夠識別紙上寫的內容。 您必須在此項目中使用神經網絡才能熟悉深度學習及其相關概念。

您首先必須對圖像進行預處理並刪除不必要的部分； 換句話說，為了清晰起見，對圖像進行數據清理。 之後，您必須對圖像進行分割和調整大小，以便算法可以正確讀取字符。 完成預處理和分割後，您可以進入下一步，分類。 分類算法將區分文本中存在的字符並將它們放入各自的類別中。

您可以使用 log sigmoid 激活來為此項目訓練您的 ML 算法。

你將從這個項目中學到什麼：

您將學習計算機視覺和神經網絡。 完成這個項目也會讓你熟悉圖像識別和分析。

4. 銷售預測者

零售業有許多人工智能和機器學習應用。 在這個項目中，您會發現一個這樣的應用程序，即預測產品的銷售量。

機器學習愛好者中流行的數據集是 BigMart 銷售數據集。 它在 10 個城市的各個門店擁有超過 1559 種產品。 您可以使用數據集構建回歸模型。 根據網點，您的模型必須預測來年特定產品的潛在銷售量。 該數據集具有每個出口和產品的特定屬性，以快速了解它們的屬性以及兩者之間的關係。

你將從這個項目中學到什麼：

從事這個項目將使您熟悉回歸模型和預測分析。 您還將了解機器學習在零售領域的應用。

了解有關機器學習和 Python 的更多信息

我們希望您發現這份 Python 機器學習項目列表對您有用。 如果您有任何問題或想法，請通過評論部分告訴我們。 我們很樂意回答您的疑問。

學習世界頂尖大學的數據科學課程。 獲得行政 PG 課程、高級證書課程或碩士課程，以加快您的職業生涯。

這裡有一些額外的資源來學習機器學習和 Python。

• Python 教程
• 機器學習與。 深度學習
• 機器學習應用

另一方面，如果您想獲得更個性化的學習體驗，您可以參加 AI 和 ML 課程。 您將通過視頻、作業和項目向行業專家學習。