Java教程

Docker下,五分钟极速体验机器学习,java程序设计案例教程答案许敏

本文主要是介绍Docker下,五分钟极速体验机器学习,java程序设计案例教程答案许敏,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!

执行上述命令后,控制台输出如下:

(base) [root@centos7 ~]# docker run --rm -p 8888:8888 bolingcavalry/anaconda3-jupyter:0.0.1

Starting jupyter

[I 06:30:17.712 NotebookApp] Writing notebook server cookie secret to /root/.local/share/jupyter/runtime/notebook_cookie_secret

[I 06:30:18.460 NotebookApp] JupyterLab extension loaded from /opt/conda/lib/python3.7/site-packages/jupyterlab

[I 06:30:18.460 NotebookApp] JupyterLab application directory is /opt/conda/share/jupyter/lab

[I 06:30:18.461 NotebookApp] Serving notebooks from local directory: /opt/notebooks

[I 06:30:18.461 NotebookApp] The Jupyter Notebook is running at:

[I 06:30:18.461 NotebookApp] http://(a61298ac6493 or 127.0.0.1):8888/?token=708d365fce9d9a76f98b2ade7e9aefcbc8401dbf5027ffa6

[I 06:30:18.462 NotebookApp] Use Control-C to stop this server and shut down all kernels (twice to skip confirmation).

[C 06:30:18.465 NotebookApp]

To access the notebook, open this file in a browser:

file:///root/.local/share/jupyter/runtime/nbserver-6-open.html

Or copy and paste one of these URLs:

http://(a61298ac6493 or 127.0.0.1):8888/?token=708d365fce9d9a76f98b2ade7e9aefcbc8401dbf5027ffa6

[W 06:31:15.960 NotebookApp] Clearing invalid/expired login cookie username-192-168-121-137-8888

[W 06:31:15.961 NotebookApp] Couldn’t authenticate WebSocket connection

[W 06:31:15.961 NotebookApp] Clearing invalid/expired login cookie username-192-168-121-137-8888

[W 06:31:15.962 NotebookApp] Clearing invalid/expired login cookie username-192-168-121-137-8888

[W 06:31:15.981 NotebookApp] 403 GET /api/kernels/5e3f93d5-4f80-4ed3-ad56-b04db61c8487/channels?session_id=33173ba03fee449da0839df0e10cfb6e (192.168.121.1) 22.41ms referer=None

注意上面的http://(a61298ac6493 or 127.0.0.1):8888/?token=708d365fce9d9a76f98b2ade7e9aefcbc8401dbf5027ffa6,其中的708d365fce9d9a76f98b2ade7e9aefcbc8401dbf5027ffa6是登录jupyter网页时要填写的token字段,后面会用到;

机器学习的开发环境已经OK了,够快吗?该运行经典入门实例了;

实战鸾尾花分类

  1. 运行docker的电脑IP地址是192.168.121.137,于是打开浏览器,输入地址:http://192.168.121.137:8888

  2. 出现jupyter登录页面,如下图,前面我们记下来了token字符串的值(708d365fce9d9a76f98b2ade7e9aefcbc8401dbf5027ffa6),在红框位置输进去,然后点击右侧的"Log in"按钮,即可登录成功;

  3. 如下图,点击右侧的"New",在弹出的菜单中点击"Python 3":

![在这里插入图片描述](https://www.www.zyiz.net/i/ll/?i=20190721144026688.jpg?,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly94aW5jaGVuLmJsb2cuY3Nkbi

《一线大厂Java面试题解析+后端开发学习笔记+最新架构讲解视频+实战项目源码讲义》

【docs.qq.com/doc/DSmxTbFJ1cmN1R2dB】 完整内容开源分享

5uZXQ=,size_16,color_FFFFFF,t_70)

  1. 会出现新的页面,如下图,这就是我们输入代码和运行代码的地方:

在这里插入图片描述

  1. 在上图红框中,输入以下代码,这段代码就是经典的鸾尾花分类:一共有150朵鸾尾花,每朵有自己的花萼长、花萼宽、花瓣长、花瓣宽这四个特征值,这150朵鸾尾花一共分为三类,我们取其中的140朵交给机器学习,学习完成后,我们将剩下10朵的特征给机器,让机器来分类,最后对比机器分类的结果和实际结果,看看误差有多大,代码中已经添加了详细的注释,就不再赘述了:

from sklearn.datasets import load_iris

from sklearn.model_selection import train_test_split

import numpy as np

import pandas as pd

from pandas.plotting import scatter_matrix

import matplotlib.pyplot as plt

from sklearn.neighbors import KNeighborsClassifier

#可以在浏览器上实时显示图像

%matplotlib inline

#取得鸾尾花数据集

iris_dataset = load_iris()

#将整个数据集分割成两部分:train用来训练,test用来测试,这里test_size等于10表示测试数据只有10条,其余的全部用作训练,

#注意,train_test_split会将iris_dataset的数据顺序打乱再分割

#X表示特征数据,每一行表示一朵鸾尾花的完整特征,该特征有四列:花萼长、花萼宽、花瓣长、花瓣宽

#y表示标签,例如y[0]=1,就表示X[0]的四个特征,对应的鸾尾花是第二类,总共有三类鸾尾花

X_train, X_test, y_train, y_test = train_test_split(iris_dataset[‘data’], iris_dataset[‘target’], test_size=10)

#在绘图的时候,指定数据列的名称来自数据集的’feature_names’

iris_dataframe=pd.DataFrame(X_train, columns=iris_dataset[‘feature_names’])

#绘图,散点矩阵图,每个小图和横轴是一个特征,纵轴是另个特征,

#例如花萼长做横轴、花萼宽做纵轴,可以看出不同的花萼长、花萼宽数据对应的鸾尾花类型分布情况

grr=scatter_matrix(iris_dataframe, c=y_train, figsize=(15,15), marker=‘o’, hist_kwds={‘bins’:20}, s=60, alpha=.8)

#使用K最邻近算法来做训练

knn = KNeighborsClassifier(n_neighbors=1)

#用前面分割好的数据来做训练,X是特征,y是确定的鸾尾花的类型

knn.fit(X_train, y_train)

#训练完毕后,输入前面分割好的10组特征值,用K最邻近算法预测这10组特征值分别是哪10种鸾尾花

y_pred = knn.predict(X_test)

#把预测结果打印出来

print(“测试集预测结果:\n{}”.format(y_pred))

#y_test是早就准备好的,那10组特征对应的实际的类型

print(“测试集实际结果:\n{}”.format(y_test))

#将预测结果和实际结果做对比,可以得到预测的准确率

print(“knn打分:{:.2f}”.format(knn.score(X_test, y_test)))

这篇关于Docker下,五分钟极速体验机器学习,java程序设计案例教程答案许敏的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!