机器学习实验用Python进行

概要

【本篇文章是运用Python编程语言开展机器学习基础实验的首篇内容。文章主要涵盖以下几个方面：

1. 导入数据并完成数据清洗工作
2. 对输入数据的特征进行深入分析与理解
3. 研究如何将数据以合适的方式呈现给学习算法
4. 确定适合问题场景的模型及相应的学习方法
5. 对程序运行结果的精确性进行评估

读入数据 Reading the data

在数据导入过程中，你可能会遇到无效或缺失数据的处理难题，相较于严谨的科学方法，这一过程更接近于艺术创作。若能恰当处理此类问题，则可兼容更多机器学习算法，从而显著提升任务成功的可能性。

用NumPy有效地咀嚼数据，用SciPy智能地吸收数据

Python作为一种高度优化的解释型编程语言，在执行涉及大量数值运算的算法时，相较于C等编译型语言存在显著的速度劣势。然而，为何仍有众多科研人员及企业机构在计算密集型领域选择依赖Python呢？这主要得益于Python具备将复杂的数值运算任务高效委托给C或Fortran等底层语言扩展的能力。在这一方面，NumPy与SciPy便是具有代表性的工具库。NumPy构建了多种高效的数组数据结构，例如array对象；而SciPy则提供了丰富的算法库，用于处理这些数组数据。无论是矩阵运算、线性代数计算、最优化问题求解、聚