六行代码！完成你的第一个机器学习算法

Google出了一个面向新手的机器学习教程，每集六七分钟，言简意赅，只掌握最基础的Python语法知识，便可以实现一些基本的机器学习算法。接下来我准备分几次整理一下课程，和大家一起学习一下。

Machine learning recipes(一)

开始前，课程将用到两个Open source libraries—scikit-learn和Tensorflow。

接下来步入正题：写一个能区分苹果和橘子的代码，若写出大量规则是行不通的，因为现实生活中充满着不确定因素，制定的规则往往会被打破。所以我们需要一种算法能自动生成规则，这就需要训练一个分类器classifier（可以认为是一种方法：接收输入数据后给它们分配标签labels作为输出）。而用来实现分类器的技术称为监督学习（Supervised Learning）。

写这个分类器的代码要用到scikit-learn，推荐安装Anaconda的方法安装（个人认为最安装简单）。在Python中输入：：

import sklearn

若没有报错则说明安装成功！

那么首先用第1行代码：引用分类器（决策树）后面解释

from sklearn import tree

对于监督学习有几个基本步骤我们得去实现：

Step1：Collect Training Data（收集训练数据）

Step2：Train Classifier（训练分类器）

Step3：Make Predictions（作出预测）

Step1：Collect Training Data

拥有越多的训练数据，我们的分类器就能工作越好。

下面用第2、3行代码表示训练数据，定义两个变量：features特征和labels标签并处理一下特性数据用整数而不用字符串，0代表Bumpy；1代表Smooth；0代表Apple；1代表橘子。

features = [[140, 1], [130, 1], [150, 0], [170, 0]] labels = [0, 0, 1, 1]

Step2：Train Classifier

这里用到的分类器类型为决策树Decision Tree，后面课程会深入解释。

在第4行代码中创建一个分类器：

clf = tree.DecisionTreeClassifier()

用第5行代码来训练分类器：

clf = clf.fit(features, labels)

现在就有了一个训练好的分类器啦！

Step3：Make Predictions

下面用最后一行第6行代码我们用训练好的分类器预测一个水果Weight：150g，表皮Bumpy的水果是什么？如果输出为0则为Apple，1为Orange。

print clf.predict([150, 0])

我们人为来预测一下会是什么？根据训练数据我们认为会是1即Orange

在Python中运行一下结果输出为

[1]

恭喜！我们用了6行代码就实现了一个机器学习程序！

作为练习，你可以再在另一个程序，改变训练数据，来创建一个新的分类器。数据如下，来动手练习一下吧！

你也会有疑问，为什么用水果特征来做训练数据而不用图片？

在后面的章节会提到，但是这次用的方法是最普遍的。

后续的课程我会继续和大家一起学习，有的小伙伴觉得节奏太慢忍不住要先学习一下，我把课程链接放在这里，方便小伙伴们自行观看学习！

传送门：http://i.youku.com/i/UMjczOTc0NDkzNg==/custom?id=87105

好了，以上就是本篇文章的所有内容了，强烈建议大家能够亲手实践一下，毕竟纸上得来终觉浅，绝知此事要躬行。由于我是个初学者水平有限，难免有错误疏漏。请不吝赐教，大家一起学习！最后感谢大家的阅读。