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。
