本來呢，最近看了人類簡(jiǎn)史，想寫一篇偏見相關(guān)的，思路還沒整理好不好放出來，先寫個(gè)技術(shù)的吧。最近真是忙成狗，搬職場(chǎng)，找房子租，參加各種各樣的會(huì)議，還有開發(fā)任務(wù)，做屁屁踢，接下來架構(gòu)的規(guī)劃，知識(shí)儲(chǔ)備。
可是畢竟我也不想跳票的嘛。T_T
說實(shí)話。
時(shí)間還是蠻充裕的，啊哈哈哈哈哈哈?。。。。。?！
突然想起上一篇忘了開原創(chuàng)忘了開贊賞而且忘了放二維碼，現(xiàn)在心塞塞塞塞塞的，大家點(diǎn)個(gè)贊或者分享一下我會(huì)很開心的。
今天就用比較主流的架構(gòu)，來簡(jiǎn)單實(shí)現(xiàn)這個(gè)在線預(yù)測(cè)系統(tǒng)，來完全打消小伙伴們對(duì)機(jī)器學(xué)習(xí)的恐懼感，它不難，但是我從沒說過它很簡(jiǎn)單。
整套代碼核心的代碼不超過10行，相信我，就算你完全不會(huì)任何數(shù)學(xué)，也不會(huì)對(duì)開發(fā)造成任何的影響。
當(dāng)然我之前說過，想要往深了做，要有扎實(shí)的數(shù)學(xué)和英語基礎(chǔ)。為什么？？因?yàn)锳I這個(gè)技術(shù)還是個(gè)小BB，還沒長大，還要用各種各樣的論文來喂它茁壯長大，要是看不懂別人的論文或者無法復(fù)現(xiàn)，那咋跟進(jìn)最新技術(shù)進(jìn)展？？
架構(gòu)是django+scikit-learn，這個(gè)在我上一篇已經(jīng)提到過了，這是最最最簡(jiǎn)單的實(shí)現(xiàn)方式，不服來辯。
敲黑板?。。≌n前要準(zhǔn)備好這些，開發(fā)環(huán)境環(huán)境為ubuntu14.04，不會(huì)安裝的，問度娘或者谷哥去。
python2.7,pip,django,scikit-learn,pandas,numpy,Pycharm,。
好，隨便找個(gè)目錄，哐哐哐輸入下面這樣django初始化項(xiàng)目的腳本。
django-admin startproject ph_ml_core
好了，項(xiàng)目初始化完了。目錄結(jié)構(gòu)長啥樣的呢？
看起來特么好多啊，那既然說了很簡(jiǎn)單了，其實(shí)絕大部分我們都不需要去改動(dòng)。那，有哪些是我們自己要去寫的呢？
Advertising.csv是數(shù)據(jù)文件，QualifiedModel.py是我們核心的業(yè)務(wù)邏輯代碼，view.py是我們的視圖,urls.py是django的路由+控制器。
第一步先給我們的系統(tǒng)加一個(gè)路徑叫predict的玩意，這個(gè)就是暴露給http請(qǐng)求的接口，至于咋實(shí)現(xiàn)或者啥意思，就是個(gè)正則表達(dá)式有興趣的小伙伴自己去看。
urlpatterns = [
url(r'^admin/', admin.site.urls),
url(r'^predict/$', predict),
]
第二步就是寫視圖了，這個(gè)比較摻雜，大致意思就是調(diào)用一個(gè)模型進(jìn)行評(píng)分，核心的就這一句score = qual.predict()。
沒錯(cuò)調(diào)模型就是這么簡(jiǎn)單。
def predict(request):
# 獲得請(qǐng)求數(shù)據(jù)，并轉(zhuǎn)成字典格式。
rowData = eval(request.GET['a'])
# 獲得已經(jīng)訓(xùn)練好的模型
qual = QualifiedModel()
# 直接對(duì)新進(jìn)件的數(shù)據(jù)進(jìn)行評(píng)分
score = qual.predict(np.array([[rowData['TV'],rowData['Radio'],rowData['Newspaper']]]))
# 組裝返回?cái)?shù)據(jù)
result = {}
result['score'] = score[0]
return HttpResponse(json.dumps(result),content_type='application/json')
第三步，訓(xùn)練模型，就在上一步我們調(diào)用了模型，那模型怎么來的呢？肯定是通過我們的訓(xùn)練數(shù)據(jù)來的。這里使用Lasso，什么是Lasso我這里就不介紹了有必要的話我后面起個(gè)文章單獨(dú)說，現(xiàn)在先自行問度娘去，一個(gè)線性模型。
哈什么？你對(duì)模型不熟，不會(huì)對(duì)模型調(diào)參？沒問題，sklearn都幫咱實(shí)現(xiàn)好了，直使用交叉驗(yàn)證，連調(diào)參都不用了。交叉驗(yàn)證是什么，就是給它一大堆參數(shù)組合，然后我不管，我就要那個(gè)訓(xùn)練結(jié)果最佳的。
def initModel(self):
#獲取數(shù)據(jù)
data = pd.read_csv(os.path.join(os.path.abspath(os.path.dirname(__file__)),'Advertising.csv'))
#取得特征值
x = data[['TV','Radio','Newspaper']]
#取得結(jié)果值
y = data['Sales']
#通過交叉驗(yàn)證訓(xùn)練得到最佳模型
model = Lasso()
alpha_can = np.logspace(-3, 2, 10)
np.set_printoptions(suppress=True)
lassoModel = GridSearchCV(model,param_grid={'alpha':alpha_can},cv=5)
lassoModel.fit(x_train,y_train)
第四步，調(diào)用試試看吖。
http://127.0.0.1:8000/predict/?a={"TV": 65, "Newspaper": 15, "Radio": 30}
返回：{"score": 11.328439830355411}
http://127.0.0.1:8000/predict/?a={"V": 29, "Newspaper": 15, "Radio": 30}
返回：{"score": 9.6539587774368592}
到這里，我們所有的功能都已經(jīng)實(shí)現(xiàn)完了。是不是非常簡(jiǎn)單？其實(shí)我們很多時(shí)候害怕一個(gè)東西是因?yàn)檫@個(gè)東西不熟悉，就像我之前說的，做做做，做起來，慢慢你就不怕了。
在這里我要說一個(gè)事實(shí)，智商是不可逾越的，這句話還真有可能是正確的。讓一個(gè)智商普通的人去突破物理學(xué)的界限，這顯然，不太可能會(huì)實(shí)現(xiàn)，只能說P(突破物理界限|已知是一個(gè)智商普通的人)很低，我這里說的智商是思維能力，并不是指什么什么智商測(cè)試的結(jié)果。但是也是很明顯的，很多人都是日復(fù)一日做著一樣的事情，被各種各樣的會(huì)議，各種各樣的繁瑣的事情，禁錮了自己的思維，也禁錮了自己的潛力，都沒到開始拼智商的時(shí)候好嗎？？
到現(xiàn)在還有人說開發(fā)工程師是一個(gè)要求很高的職業(yè)，其實(shí)這個(gè)職業(yè)的要求真心不算高，任何一個(gè)經(jīng)過系統(tǒng)培訓(xùn)的小白，都能按照老師教的結(jié)果哐哐哐寫出一些"業(yè)務(wù)邏輯"，但要是止步于此不去做任何的思考，不理解為什么是這樣做，那你的上限也就這樣了。
凡事問三層，"為什么這樣就有這樣的效果呢"？可能會(huì)有不同的結(jié)果。
但是呢，在你跟別人討論或者請(qǐng)教的時(shí)候，自己還是要先有料，自己做足各種各樣的研究，準(zhǔn)備好各種各樣的資料，再去開始請(qǐng)教，可能會(huì)比較。不然我就會(huì)說一句喬布斯回答別人經(jīng)常說的話---"it is complicated"，沒錯(cuò)，那我只能告訴你，這很復(fù)雜。
當(dāng)然付費(fèi)的一般就不存在這個(gè)問題，比如老師啊，培訓(xùn)師啊，各種網(wǎng)紅的收費(fèi)欄目啊，就不存在這個(gè)問題。為什么呢，因?yàn)槟阕隽似渌呐θベ嵢∵@個(gè)付費(fèi)的款項(xiàng)，也算是做足準(zhǔn)備了吖。
好了，后臺(tái)回復(fù) 第一只 ，獲取這次的小玩具，大家一起愉快地玩耍吧。要是分享給其他小伙伴我會(huì)很開心的。
