Pycharm机器学习环境配置

￡神魔★判官ぃ 2021-09-29 02:46 675阅读 0赞

1.先安装python（类似于java中的jdk）

*  从官网下载python，python2和python3语法有点不同，选自己熟悉的即可（这有个坑，tensorflow目前不支持python3.7及以上的版本，所以建议，直接下载python3.6就ok了）
 *  点击install for all users，然后路径最好直接放在c盘下面（查找文件夹方便）
 *  安装的时候注意选择add enviriment variables（这样就不用自己配置环境变量了，美滋滋）

2.安装pycharm(这个是python的IDE，也可以选用jupyter notebook)

*  官网下载pycharm
 *  激活码 [http://idea.imsxm.com][http_idea.imsxm.com]

3.安装numpy，scipy，panadas，matplotlib，sciki-learn等机器学习库

## （在线安装方式） ##

*  1.直接打开windows命令行界面
 *  2.输入python，启动python编译器
 *  3.输入pip install +包名（如numpy,scipy,pandas,matplotlib,keras,tensorflow,scikit-learn）,就可以自动安装了

## （离线安装方式，先下载安装包，再安装） ##

下载地址:http://www.lfd.uci.edu/~gohlke/pythonlibs/\#matplotlib   （库名中带有cp的标识的是版本号，如果python是3.6的，则cp后面数字应该为36）

NumPy-数学计算基础库：N维数组、线性代数计算、傅立叶变换、随机数等。

SciPy-数值计算库：线性代数、拟合与优化、插值、数值积分、稀疏矩阵、图像处理、统计等。

Pandas-数据分析库：数据导入、整理、处理、分析等。

matplotlib-会图库：绘制二维图形和图表

scikit-learn:Simple and efficient tools for data mining and data analysis

Accessible to everybody, and reusable in various contexts

Built on NumPy, SciPy, and matplotlib

Open source, commercially usable - BSD license

*  安装如下：
 *  在第一步安装好的文件夹python中，新建一个Scripts的文件夹
 *  把下载的五个类库放到该文件夹中
 *  打开windows命令行，用命令行定位到该文件夹：cd c:\\python36\\Scripts
 *  按顺序安装五个类库，安装命令为：pip install +下载的类库名字；如果想卸载的话，命令为：pip uninstall+下载的类库名字

4.用pycharm跑程序，测试是否安装成功

\# Code source: Jaques Grobler  
\# License: BSD 3 clause

\#linear\_model  
import matplotlib.pyplot as plt  
import numpy as np  
from sklearn import datasets, linear\_model  
from sklearn.metrics import mean\_squared\_error, r2\_score

\# Load the diabetes dataset  
diabetes = datasets.load\_diabetes()

\# Use only one feature  
diabetes\_X = diabetes.data\[:, np.newaxis, 2\]

\# Split the data into training/testing sets  
diabetes\_X\_train = diabetes\_X\[:-20\]  
diabetes\_X\_test = diabetes\_X\[-20:\]

\# Split the targets into training/testing sets  
diabetes\_y\_train = diabetes.target\[:-20\]  
diabetes\_y\_test = diabetes.target\[-20:\]

\# Create linear regression object  
regr = linear\_model.LinearRegression()

\# Train the model using the training sets  
regr.fit(diabetes\_X\_train, diabetes\_y\_train)

\# Make predictions using the testing set  
diabetes\_y\_pred = regr.predict(diabetes\_X\_test)

\# The coefficients  
print('Coefficients: \\n', regr.coef\_)  
\# The mean squared error  
print("Mean squared error: %.2f"  
      % mean\_squared\_error(diabetes\_y\_test, diabetes\_y\_pred))  
\# Explained variance score: 1 is perfect prediction  
print('Variance score: %.2f' % r2\_score(diabetes\_y\_test, diabetes\_y\_pred))

\# Plot outputs  
plt.scatter(diabetes\_X\_test, diabetes\_y\_test,  color='black')  
plt.plot(diabetes\_X\_test, diabetes\_y\_pred, color='blue', linewidth=3)

plt.xticks(())  
plt.yticks(())

plt.show()

如果安装成功，运行结果图如下：

![1302014-20171218204036803-731964433.png][]

转载于:https://www.cnblogs.com/nju-lfk/p/8059470.html

[http_idea.imsxm.com]: http://idea.imsxm.com/
[1302014-20171218204036803-731964433.png]: https://images2017.cnblogs.com/blog/1302014/201712/1302014-20171218204036803-731964433.png