菜鸟学习法

由于我悟性不高，一般学习一个新的东西，对于初见的一些概念，很难理解其意。我总是喜欢先找个实实在在的例子，跟着跑一遍，看看流程、结果。然后再回过头来学习里面的种种算法和规则。我且称之为菜鸟学习法。

我们不得不面对的是，现在机器学习、深度学习这些新的学习范式，已经闯入多个领域，也在颠覆这些领域。

感觉就像当年VASP等成熟软件的兴起一样，主流的商业软件淘汰了很多自己写代码算做量子计算的学者。接下来，机器学习的引入，各种新的软件也许马上会成为下一个“VASP”，手握资源的各路大佬都在抢占地盘。

---

抱歉，扯远了，我们回到学习机器学习的第一个阶段，代码测试：

案例链接

https://nbviewer.org/github/hackingmaterials/matminer_examples/blob/main/matminer_examples/machine_learning-nb/bulk_modulus.ipynb

数据集来源

数据来源于数据集 matminer，具体使用参考官网

https://hackingmaterials.lbl.gov/matminer

以及文档：

https://hackingmaterials.lbl.gov/matminer/dataset_summary.html

部分代码简单说明

1. 加载和处理数据集

from matminer.datasets.convenience_loaders import load_elastic_tensor
df = load_elastic_tensor()  # loads dataset in a pandas DataFrame object

• 显示数据的开头部分使用head方法

df.head()

• 显示数据的列

df.columns

• 去掉不需要的列

unwanted_columns = ["volume", "nsites", 
"compliance_tensor","elastic_tensor", 
"elastic_tensor_original", "K_Voigt",
"G_Voigt", "K_Reuss", "G_Reuss"]
df = df.drop(unwanted_columns, axis=1)## 去掉不需要的列
df.head() #此时再观察一下这个数据集

• 数据的描述性统计

df.describe()

2. 添加描述符（特征化）

• 组成成分的特征化

from matminer.featurizers.conversions import StrToComposition
df = StrToComposition().featurize_dataframe(df, "formula")
df.head()

3. 线性回归

4. 随机森林

参考

大师兄科研网

https://mp.weixin.qq.com/s/U99hAXOsNob1sgAehIED3A

库的安装

一般直接使用
pip install 库名
就可以安装对应的库，我在自己电脑测试，使用pip install 比conda install这个方法好用。

简洁版测试代码下载

链接：https://pan.quark.cn/s/3b550442f061

ChatGPT 快问快答

或者读者也可以在ChatGPT里快问快答的形式学习简单的案例，也是一个不错的尝试。