如何解决不能用Python执行机器学习问题

本文主要介绍“如何解决机器学习无法用Python执行的问题”。在日常操作中，相信很多人对于如何解决用Python无法进行机器学习的问题都有疑问。边肖查阅了各种资料，整理出简单易用的操作方法，希望能帮助大家解决“如何解决机器学习无法用Python执行的问题”的疑惑。接下来，请和边肖一起学习！

00-1010如上所述，应该创建一个表来保存Iris数据集，然后将数据加载到其中。OML需要一列作为行标识(序列)，所以请记住：

CREATESEQUENCEseq _ irisCREATETABLEiris _ data(iris _ idnumberdefault seq _ iris。NEXTVAL，萼片_长度数，萼片_宽度数，花瓣_长度数，花瓣_宽度数，species varchar 2(16))；现在，您可以下载并加载数据：

当弹出一个模态窗口时，只需提供下载CSV的路径，点击几次下一步。SQL开发人员可以在没有帮助的情况下正确地完成工作。

模型训练

现在你可以做一些有趣的事情。分类模型可以分解为训练/测试分割、模型训练和模型评估等几个步骤。我们将从最简单的开始。

训练/测试分割

Oracle经常使用两个视图来完成这一步：一个用于训练数据，另一个用于测试数据。您可以轻松创建这些神奇的PL/SQL:

BEGINEXECUTEIMMEDIATElsquocreatorreplaceviewiris _ train _ dataasse从iris_dataSAMPLE(75)SEED(42)中选择*；EXECUTEIMMEDIATElsquocreatorreplaceviewiris _ test _ dataasse选择* from iris _ dataundisselect * from iris _ train _ data；END/该脚本执行以下两件事：

s=” list-paddingleft-2″>

数据储存在叫做iris_train_data和iris_test_data的视图中，猜猜看它们分别存什么。

SELECT COUNT(*) FROM iris_train_data; >>> 111 SELECT COUNT(*) FROM iris_test_data; >>> 39

模型训练

模型训练最简单的方法是无须创建额外的设置表格，只执行单一过程的DBMS_DATA_MINING包。使用决策树算法来训练模型。方法如下：

DECLARE      v_setlstDBMS_DATA_MINING.SETTING_LIST; BEGIN     v_setlst(‘PREP_AUTO’) := ‘ON’;     v_setlst(‘ALGO_NAME’) :=‘ALGO_DECISION_TREE’;       DBMS_DATA_MINING.CREATE_MODEL2(         ‘iris_clf_model’,         ‘CLASSIFICATION’,         ‘SELECT * FROM iris_train_data’,         v_setlst,         ‘iris_id’,         ‘species’     ); END; /

CREATE_MODEL2过程接受多种参数。接着我们对进入的参数进行解释：

• iris_clf_model — 只是模型名称，它可以是任何东西。

• CLASSIFICATION — 正在进行的机器学习任务，因某种原因必须大写。

• SELECT * FROM iris_train_data — 指定训练数据存储位置。

• v_setlst — 模型的上述设置列表。

• iris_id — 序列类型列的名称(每个值都是唯一的)。

• species — 目标变量的名称(试图预测的东西)

执行这一模块需要一到两秒钟，执行完毕就可以开始计算了!

模型评价

使用该脚本评估此模型：

BEGIN     DBMS_DATA_MINING.APPLY(         ‘iris_clf_model’,          ‘iris_test_data’,          ‘iris_id’,          ‘iris_apply_result’     ); END; /

它将iris_clf_model应用于不可见测试数据iris_test_data，并将评估结果存储到iris_apply_result表中。

行数更多(39×3)，但突显了要点。这还不够直观，所以下面以一种稍微不同的方式来展示结果：

DECLARE       CURSOR iris_ids IS           SELECT DISTINCT(iris_id) iris_id          FROM iris_apply_result           ORDER BY iris_id;      curr_y      VARCHAR2(16);      curr_yhat   VARCHAR2(16);      num_correct INTEGER := 0;      num_total   INTEGER := 0; BEGIN     FOR r_id IN iris_ids LOOP         BEGIN             EXECUTE IMMEDIATE                  ‘SELECT species FROM                  iris_test_data                  WHERE iris_id = ‘ ||r_id.iris_id                 INTO curr_y;             EXECUTE IMMEDIATE                  ‘SELECT prediction                  FROM iris_apply_result                  WHERE iris_id = ‘ ||r_id.iris_id ||                 ‘AND probability = (                    SELECTMAX(probability)                         FROMiris_apply_result                         WHERE iris_id = ‘|| r_id.iris_id ||                     ‘)’ INTO curr_yhat;         END;           num_total := num_total + 1;         IF curr_y = curr_yhat THEN              num_correct := num_correct +1;         END IF;      END LOOP;       DBMS_OUTPUT.PUT_LINE(‘Num. testcases: ‘          || num_total);     DBMS_OUTPUT.PUT_LINE(‘Num. correct :‘          || num_correct);     DBMS_OUTPUT.PUT_LINE(‘Accuracy : ‘          || ROUND((num_correct /num_total), 2)); END; /

确实很多，但上述脚本不能再简化了。下面进行分解：

• CURSOR—得到所有不同的iris_ids(因为iris_apply_results 表中有重复)。

• curr_y, curr_yhat, num_correct, num_total  是存储每次迭代中的实际种类和预测种类、正确分类数量和测试项总数的变量。

• 对于每个唯一的iris_id 得到实际种类(来自匹配ID的iris_test_data)和预测种类(在 iris_apply_results  表中预测概率最高)

• 轻松检查实际值和预测值是否相同——这表明分类是正确的。

• 变量 num_total 和 num_correct 在每次迭代中更新。

• 最后，将模型性能打印到控制台。

下面为该脚本输出：

• 测试集有39个用例

• 39个样本中，正确分类的有37个

• 结果准确率为95%

到此，关于“如何解决不能用Python执行机器学习问题”的学习就结束了，希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习，快去试试吧！若想继续学习更多相关知识，请继续关注网站，小编会继续努力为大家带来更多实用的文章！