Pycharm机器学习 环境配置

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

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：