為什麼不想再用turicreate？

       在之前的學習中，主要使用的是python的turicreate框架來生成iOS上的機器學習模型.mlmodel檔案。蘋果從WWDC2017年開始就致力於不斷降低iOS開發者使用機器學習技術的難度，降低開發者們學習機器學習知識的學習成本，因此推出了python上的turicreate框架，可以幾行程式碼之內就可以完成訓練、測試、生成模型，還有用在xcode上的createML，直接用視覺化UI訓練模型。這樣做的好處確實極大減輕了開發者們的學習負擔，但壞處也顯而易見，除了讓人們對機器學習內在知識一無所知，更因為其封裝的很多引數和演算法既定，不能給我們提供很大的選擇空間，故而在很多場景下不能最大化發揮機器學習的演算法優勢，導致效能達不到我們預想的標準。因此，turicreate作為一個很方便的工具，但終究要再學習的過程中被拋棄。

為什麼使用Scikit-learn

       sklearn中包含了大量的優質的資料集和大量的演算法選擇，在你學習機器學習的過程中，你可以通過使用這些資料集和演算法實現出不同的模型，從而提高你的動手實踐能力，同時這個過程也可以加深你對理論知識的理解和把握。（另一點是因為再實驗室時學長學姐在發cv論文的時候都是用到了這個，也是不明覺厲。。。。）

一張圖說明了sklearn裡面有多少種演算法可供選擇，其中箭頭表示的是根據不同需求尋找不同演算法的路線

使用sklearn訓練一個線性迴歸模型

import pandas as pd
from sklearn import model_selection
from sklearn import linear_model
 

pandas 是基於NumPy 的一種工具，該工具是為了解決資料分析任務而建立的。

adver = pd.read_csv("Advertising.csv", usecols=[1,2,3,4])
adver.head()

Out[5]:

x表示前三列的input資料，y表示最後一列的output資料。並對資料集進行分割

x,y = adver.iloc[:, :-1], adver.iloc[:, -1]
x_train, x_test, y_train, y_test = model_selection.train_test_split(x, y, test_size=0.25,random_state=42)

建立一個線性迴歸(linear regression)模型；fit方法表示訓練模型；score對模型進行評價

regr = linear_model.LinearRegression() # 1
regr.fit(x_train, y_train)    # 2
regr.score(x_test, y_test)    # 3

Out[8]: 0.8935163320163657

輸出測試結果

X_new = [[ 50.0, 150.0, 150.0],
         [250.0,  50.0,  50.0],
         [100.0, 125.0, 125.0]]
regr.predict(X_new)

Out[9]: array([34.15367536, 23.83792444, 31.57473763])

使用sklearn訓練一個svm模型

from sklearn import svm

svr = svm.LinearSVR(random_state=42)
svr.fit(x_train, y_train)
svr.score(x_test, y_test)

Out[11]: 0.8665383823569167

svr.predict(X_new)

Out[12]: array([25.86174666, 21.5094961 , 24.77368402])

匯出coreML的mlmodel檔案

import coremltools

input_features = ["tv", "radio", "newspaper"]
output_feature = "sales"

model = coremltools.converters.sklearn.convert(regr, input_features, output_feature)

# Set model metadata
model.author = 'Xiao Liang'
model.license = 'BSD'
model.short_description = 'Predicts the price of a house in the Beijing area.'
​
# Set feature descriptions manually
model.input_description['tv'] = 'Ads price spent on tv'
model.input_description['radio'] = 'Ads price spent on radio'
model.input_description['newspaper'] = 'Ads price spent on newspaper'
​
# Set the output descriptions
model.output_description['sales'] = 'Price of the house'

model.save("MyAdversising.mlmodel")

python部分的程式碼到此為止，接下來是在xcode上的使用，核心程式碼就三句：一句傳入輸入，一句定義輸出，一句取出輸出。完成啦。

let input = MyAdvertisingInput(tv: tv, radio: radio, newspaper: newspaper)
    
guard let output = try? advertising.prediction(input: input) else {
    return
}
    
let sales = output.sales