摘要：概述本文記錄機器學習庫在上的環境搭建，并在搭建好的環境上運行以驗證環境已經搭建成功工作之余學習一下，大勢所趨，別劃了呀跟上潮流呀安裝是一套通用機器學習開源框架，主要功能有部分分類回歸聚類降維模型選擇數據預處理使用的是語言，其安裝和運行還依賴

本文記錄機器學習庫Sklearn在Ubuntu上的環境搭建，并在搭建好的環境上運行example以驗證環境已經搭建成功；工作之余學習一下，大勢所趨，別劃了呀！跟上潮流呀！

Sklearn是一套通用機器學習開源框架，主要功能有6部分

分類

回歸

聚類

降維

模型選擇

數據預處理

Sklearn使用的是Python語言，其安裝和運行還依賴pip、scipy和numpy等
Sklearn網站：http://scikit-learn.org/stabl...

安裝python

這里就不說了，默認機器上都會裝的，如果自己裝的話注意設置環境變量就行了

安裝pip

pip是什么，百度說是一個安裝和管理python包的工具，知道這就夠了

apt-get install python-pip

安裝依賴

以下命令安裝sklearn需要的各種依賴庫

apt-get install build-essential python-dev python-numpy python-setuptools python-scipy libatlas-dev libatlas3-base  

以下命令安裝一個畫圖工具，用它看程序運行結果

apt-get install python-matplotlib

安裝Sklearn

pip install -U scikit-learn

確認安裝

以下命令會列出當前系統安裝的所有python依賴

pip install -U scikit-learn

如果結果里有scikit-learn，說明已經安裝上了

到sklearn官網，點擊example進入General examples頁面，如圖

頁面上有很多機器學習的examples，就選取第一個例子，點擊進入

說這是一個Cross-Validated Predictions(交叉驗證預測)的例子，下面有代碼，可以下載下來，也可以自己寫，我是自己照著抄了一遍，熟悉一下python語法，現學現用，前兩天剛在w3c shcool上看了一下python語法大概什么樣子

這個例子的源碼如下，本文不進行代碼分析和例子的原理研究，使用這個例子的目的只是為了驗證環境搭建是否成功

from sklearn import datasets
from sklearn.model_selection import cross_val_predict
from sklearn import linear_model
import matplotlib.pyplot as plt

lr = linear_model.LinearRegression()
boston = datasets.load_boston()
y = boston.target

# cross_val_predict returns an array of the same size as `y` where each entry
# is a prediction obtained by cross validation:
predicted = cross_val_predict(lr, boston.data, y, cv=10)

fig, ax = plt.subplots()
ax.scatter(y, predicted, edgecolors=(0, 0, 0))
ax.plot([y.min(), y.max()], [y.min(), y.max()], "k--", lw=4)
ax.set_xlabel("Measured")
ax.set_ylabel("Predicted")
plt.show()

在Ubuntu上寫好代碼，文件為plot_cv_predict.py，運行代碼

python plot_cv_predict.py 

運行結果如圖

說明環境已經搭建完成

關于人工智能的學習資料來源，主要來自以下內容

斯坦福大學 吳恩達機器學習公開課 : 機器學習的動機與應用
開發者頭條 普通程序員如何向人工智能靠攏