我們首先比較一下sklearn的機器學(xué)習(xí)大致使用流程和Keras的大致使用流程：

sklearn的機器學(xué)習(xí)使用流程：

fromsklearn.模型簇import模型名

fromsklearn.metricsimport評價指標

'''數(shù)據(jù)預(yù)處理及訓(xùn)練測試集分離提取'''

myModel=模型名稱()#對象初始化

myModel.fit(訓(xùn)練集x,訓(xùn)練集y)#模型訓(xùn)練

y預(yù)測集=myModel.predict(開發(fā)集x)#模型預(yù)測

評價指標=評價指標(y預(yù)測集，y測試集)#模型效果評估

Keras的機器學(xué)習(xí)使用流程：

importkeras

...根據(jù)具體需求引入keras的包...

...keras模型搭建...

...keras模型編譯(可選擇模型指標)...

kerasModel.fit(訓(xùn)練集x，訓(xùn)練集y)#keras模型訓(xùn)練

y預(yù)測集=myModel.predict(開發(fā)集x)#keras模型預(yù)測

兩者的區(qū)別

由上面?zhèn)未a可知Keras和sklearn最大不同在于需要進行模型搭建，可是既然有了這么多模型為什么還要模型搭建?

如果你了解過神經(jīng)網(wǎng)絡(luò)感知機就會比較理解這個過程，一個感知器相當于一個神經(jīng)元，可根據(jù)輸入信息反饋出需要的電信號，根據(jù)我們的世界觀，一個細胞可以單獨執(zhí)行很多功能但是大量單純的任務(wù)會讓細胞只針對一個方向發(fā)展。用生物學(xué)的說話就是分化能力逐漸減弱，機器學(xué)習(xí)說法就是過擬合。因此，只有大量細胞通過不同的組合才能完成紛繁復(fù)雜的預(yù)測任務(wù)，因而有證明說神經(jīng)網(wǎng)絡(luò)理論上可擬合出任何曲線。

那么話說回來，Keras需要自行搭建模型，搭建方法有兩種：序貫?zāi)Ｐ秃秃瘮?shù)式模型。而我本次的筆記就是學(xué)習(xí)序貫?zāi)Ｐ秃秃瘮?shù)式模型。

以上內(nèi)容為大家介紹了python中sklearn和Keras機器學(xué)習(xí)的流程的區(qū)別，希望對大家有所幫助，如果想要了解更多Python相關(guān)知識，請關(guān)注IT培訓(xùn)機構(gòu):千鋒教育。