Nota: En este laboratorio haremos una instalación de SciKit Learn dentro de un entorno Venv y le instalaremos un cuaderno Jupyter .
Instalamos el paquete Venv : (en la maquina anfitriona)
- In: root@juan-Aspire-ES1-512:/# apt-get install python3-venv
Cree una carpeta donde guardamos el proyecto :
- In: root@juan-Aspire-ES1-512:/# mkdir my-scikit-learn && cd my-scikit-learn
- In: root@juan-Aspire-ES1-512:/my-scikit-learn#
Creamos el proyecto (my-scikit-learn) :
- In: root@juan-Aspire-ES1-512:/my-scikit-learn# python3 -m venv scikit-learn
- In: root@juan-Aspire-ES1-512:/my-scikit-learn# ls
- Out: scikit-learn
Levantamos entorno virtual venv (Activate)-(Deactivate) :
- In: root@juan-Aspire-ES1-512:/my-scikit-learn# source scikit-learn/bin/activate
- In: (scikit-learn) root@juan-Aspire-ES1-512:/my-scikit-learn#
Instalación y actualización de pip:
- In: (scikit-learn) root@juan-Aspire-ES1-512:/my-scikit-learn# pip install –upgrade pip
- In: (scikit-learn) root@juan-Aspire-ES1-512:/my-scikit-learn# pip list
- Out: pip 21.3.1
- Out: pkg_resources 0.0.0
- Out: setuptools 39.0.1
Instalar scikit-learn:
- In: (scikit-learn) root@juan-Aspire-ES1-512:/my-scikit-learn# pip install -U scikit-learn
- In: (scikit-learn) root@juan-Aspire-ES1-512:/my-scikit-learn# pip list
- Out: joblib 1.1.0
- Out: numpy 1.19.5
- Out: pip 21.3.1
- Out: pkg_resources 0.0.0
- Out: scikit-learn 0.24.2
- Out: scipy 1.5.4
- Out: setuptools 39.0.1
- Out: threadpoolctl 3.0.0
Instalar Jupyter :
- In: (scikit-learn) root@juan-Aspire-ES1-512:/my-scikit-learn# pip install jupyter
Arrancar Jupyter :
- In: (scikit-learn) root@juan-Aspire-ES1-512:/my-scikit-learn# jupyter notebook –allow-root –no-browser
- Out: http://127.0.0.1:8888/?token=2ebef055a65ef0268bf9bf948185ad391d3b6610bcac0930
Instalar matplotlib nos hará falta :
- In: (scikit-learn) root@juan-Aspire-ES1-512:/my-scikit-learn# pip install matplotlib
Nota: Scikit-learn tiene implementadas versiones reducidas de ciertas librerías pero de matplotlib no
Ejemplo de regresión lineal
-. El siguiente ejemplo utiliza solo la primera característica del conjunto de diabetes datos para ilustrar los puntos de datos dentro del gráfico bidimensional. La línea recta se puede ver en el gráfico, que muestra cómo la regresión lineal intenta dibujar una línea recta que minimice mejor la suma de cuadrados residual entre las respuestas observadas en el conjunto de datos y las respuestas predichas por la aproximación lineal.
https://scikit-learn.org/stable/_downloads/ee7c3a1966ea76f4980405cbc44de6da/plot_ols.ipynb en esta dirección se encuentra script el origen de este es: la pagina de (La Web) oficial de (scikit-learn) https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html#sklearn.linear_model.LinearRegression
Ejemplo de perceptrón multicapa (MLP) Classifier:
-. Una comparación de varios clasificadores en scikit-learn en conjuntos de datos sintéticos. El objetivo de este ejemplo es ilustrar la naturaleza de los límites de decisión de diferentes clasificadores.Los gráficos muestran puntos de entrenamiento en colores sólidos y puntos de prueba semitransparentes. La parte inferior derecha muestra la precisión de la clasificación en el conjunto de prueba.
https://scikit-learn.org/stable/_downloads/3438aba177365cb595921cf18806dfa7/plot_classifier_comparison.ipynb en esta dirección se encuentra script el origen de este es: la pagina de (La Web) oficial de (scikit-learn) https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html#sklearn.linear_model.LinearRegression
Es recomendable tener como (La Web) oficial de (scikit-learn) como Web de cabecera esta muy documentada aunque al principio nos parece no saber como meterle mano , tenemos que dedicarle un tiempo y le sacaremos todo su poder de aprendizaje de (scikit-learn) .
Recopilando:
Hemos empezado por crear un entorno virtualizado de Pithon, instalamos pip y (scikit-learn) pero le falta (matplotlib) posteriormente instalamos jupyter notebook y a continuación para probar el entorno e usado dos ejemplos, el primero una regresión lineal en (scikit-learn) y el segundo perceptrón multicapa (MLP) Classifier , con estos apreciamos que esta instalación es totalmente funcional, el origen de este laboratorio (Entorno Moreluz) .