Python版本的问题 sklearn包的neighbors函数

1. Python版本的问题 sklearn包的neighbors函数

我在学习时也遇到了同样的问题，我是这样解决的clf.fit(list(xy_normalized), labels)
主要原因是Python2和Python3中对zip函数做了一些修改，Python2中的zip函数返回的是一个list，而Python3的zip函数返回的是一个对象。
我目前也在学习Python+ML，大家可以共同学习，共同探讨。

2. sklearn kmeans 距离计算怎么修改

# -*- coding: utf-8 -*-
from sklearn.cluster import KMeans
from sklearn.externals import joblib
import numpy

final = open('c:/test/final.dat' , 'r')

data = [line.strip().split('\t') for line in final]
feature = [[float(x) for x in row[3:]] for row in data]

#调用kmeans类
clf = KMeans(n_clusters=9)
s = clf.fit(feature)
print s

#9个中心
print clf.cluster_centers_

#每个样本所属的簇
print clf.labels_

#用来评估簇的个数是否合适，距离越小说明簇分的越好，选取临界点的簇个数
print clf.inertia_

#进行预测
print clf.predict(feature)

#保存模型
joblib.dump(clf , 'c:/km.pkl')

#载入保存的模型
clf = joblib.load('c:/km.pkl')

'''
#用来评估簇的个数是否合适，距离越小说明簇分的越好，选取临界点的簇个数
for i in range(5,30,1):
clf = KMeans(n_clusters=i)
s = clf.fit(feature)
print i , clf.inertia_
'''

3. sklearn 分类器怎么输出 分类概率

可以使用机器学习，使用很方便（相当于别人早已经把具体过程做好了，像公式、模板一样自己代入数据就可以得到结果） from sklearn.linear_model import LogisticRegression

4. sklearn.svm在建立好模型后怎么使用

from sklearn import externals
externals.joblib.dump(clf,'文件名')  ＃clf是fit好的模型，文件名是保存在本地的文件
clf＝externals.joblib.load(‘文件名’)  ＃这样就又把本地的模型载入，可以使用了

5. 如何解释sklearn的决策树

1首先需要安装Cython，网上下载后进行本地安装pythonsetup.pyinstall2下载Sklearn包，进行本地安装（使用pip或easy_install总是出错，如cannotimportmurmurhash3_32，最终本地安装成功）3安装后可用nosetests-vsklearn来进行测试

6. 使用python+sklearn的决策树方法预测是否有信用风险

决策树学习可能创建一个过于复杂的树，并不能很好的预测数据。也就是过拟合。
修剪机制（现在不支持），设置一个叶子节点需要的最小样本数量，或者数的最大深度，可以避免过拟合。

7. sklearn中用什么表示均方根误差

the person I love. This commitment

8. sklearn中的lr 特征取多少

跟版本没关系函数需要传参类型致明显已经说需要 字符串 数字类型参数 字符串 数字类型 zip包