用ChatGPT入门机器学习！机器学习助力料分析案例

　　使用ChatGPT学习机器学习进阶，mpapi做材料分析使用ChatGPT学习机器学习
　　importnumpyasnpimportpandasaspdfromsklearn。ensembleimportRandomForestClassifierfromsklearn。modelselectionimporttraintestsplitimportmatplotlib。pyplotasplt读取数据集dfpd。readcsv（data。csv）提取特征和标签Xdf。drop（label，axis1）ydf〔label〕将数据集拆分为训练集和测试集Xtrain，Xtest，ytrain，ytesttraintestsplit（X，y，testsize0。2，randomstate42）初始化随机森林分类器clfRandomForestClassifier（nestimators100，randomstate42）训练模型clf。fit（Xtrain，ytrain）计算准确率accuracyclf。score（Xtest，ytest）print（Accuracy：，accuracy）绘制特征重要性图importancesclf。featureimportancesindicesnp。argsort（importances）〔：：1〕plt。figure（）plt。title（FeatureImportances）plt。bar（range（X。shape〔1〕），importances〔indices〕，colorr，aligncenter）plt。xticks（range（X。shape〔1〕），indices）plt。xlim（〔1，X。shape〔1〕〕）plt。show（）
　　显示不完整可以让它继续
　　看不到data。csv，不便于学习，我们让它给个可以查看数据的例子
　　importnumpyasnpimportpandasaspdfromsklearn。ensembleimportRandomForestClassifierfromsklearn。modelselectionimporttraintestsplitimportmatplotlib。pyplotasplt读取数据集urlhttps：raw。githubusercontent。comjbrownleeDatasetsmasterpimaindiansdiabetes。data。csvnames〔preg，plas，pres，skin，test，mass，pedi，age，class〕dfpd。readcsv（url，namesnames）提取特征和标签Xdf。drop（class，axis1）ydf〔class〕将数据集拆分为训练集和测试集Xtrain，Xtest，ytrain，ytesttraintestsplit（X，y，testsize0。2，randomstate42）初始化随机森林分类器clfRandomForestClassifier（nestimators100，randomstate42）训练模型clf。fit（Xtrain，ytrain）计算准确率accuracyclf。score（Xtest，ytest）print（Accuracy：，accuracy）绘制特征重要性图importancesclf。featureimportancesindicesnp。argsort（importances）〔：：1〕plt。figure（）plt。title（FeatureImportances）plt。bar（range（X。shape〔1〕），importances〔indices〕，colorr，aligncenter）plt。xticks（range（X。shape〔1〕），indices）plt。xlim（〔1，X。shape〔1〕〕）plt。show（）
　　测试
　　将上面的代码复制到jupyternotebook中，可以成功运行，测试结果如下
　　体验Nice！进阶，mpapi做材料分析
　　结合一点前面学的mpapi做个材料分析
　　从MaterialsProject网站选择NaMgAl元素的材料，测试nisites与形成能的关系，看一下能否从nsites预测形成能APIKEYAPIKEY这里输入自己的APIKEY可以去MaterialProject官网注册获取导入机器学习库以及mpapi库，然后从官网获取含有NaMgAl元素的化合物fromsklearn。modelselectionimporttraintestsplitfromsklearn。ensembleimportRandomForestRegressorfrommpapi。clientimportMPResterwithMPRester（APIKEY）asmpr：docsmpr。summary。search（elements〔Na，Mg，Al〕，fields〔formationenergyperatom，nsites〕）
　　可以看到，搜索到了35个材料用搜索到的35个数据，我们使用机器学习拟合，看看结果
　　读取数据，X为nisites的变量，y为平均原子形成能数据，取20作为测试X〔〔docs〔i〕。nsites〕foriinrange（len（docs））〕y〔docs〔i〕。formationenergyperatomforiinrange（len（docs））〕Xtrain，Xtest，ytrain，ytesttraintestsplit（X，y，testsize0。2）TrainarandomforestregressoronthetrainingdataregressorRandomForestRegressor（）regressor。fit（Xtrain，ytrain）scoreregressor。score（Xtest，ytest）predictionsregressor。predict（Xtest）print（fTestscore：｛score：。2f｝）绘图importmatplotlib。pyplotaspltPlotthepredictedvaluesagainsttheactualvaluesplt。scatter（ytest，predictions）plt。xlabel（Actualvalues）plt。ylabel（Predictedvalues）plt。title（Randomforestregression）plt。show（）
　　可以看到，结果很不理想，不过没关系，我们也可以预料到，因为格点数跟平均形成能本身也不会有啥关系，但是我们通过这个案例，基本可以入门机器学习分析材料。