Or copy and paste one of these URLs:
http://(a61298ac6493 or 127.0.0.1):8888/?token=708d365fce9d9a76f98b2ade7e9aefcbc8401dbf5027ffa6
[W 06:31:15.960 NotebookApp] Clearing invalid/expired login cookie username-192-168-121-137-8888
[W 06:31:15.961 NotebookApp] Couldn’t authenticate WebSocket connection
[W 06:31:15.961 NotebookApp] Clearing invalid/expired login cookie username-192-168-121-137-8888
[W 06:31:15.962 NotebookApp] Clearing invalid/expired login cookie username-192-168-121-137-8888
[W 06:31:15.981 NotebookApp] 403 GET /api/kernels/5e3f93d5-4f80-4ed3-ad56-b04db61c8487/channels?session_id=33173ba03fee449da0839df0e10cfb6e (192.168.121.1) 22.41ms referer=None
注意上面的http://(a61298ac6493 or 127.0.0.1):8888/?token=708d365fce9d9a76f98b2ade7e9aefcbc8401dbf5027ffa6，其中的708d365fce9d9a76f98b2ade7e9aefcbc8401dbf5027ffa6是登录jupyter网页时要填写的token字段，后面会用到；
机器学习的开发环境已经OK了，够快吗？该运行经典入门实例了；
实战鸾尾
《一线大厂Java面试题解析+后端开发学习笔记+最新架构讲解视频+实战项目源码讲义》
【docs.qq.com/doc/DSmxTbFJ1cmN1R2dB】 完整内容开源分享
花分类
-
运行docker的电脑IP地址是192.168.121.137，于是打开浏览器，输入地址：http://192.168.121.137:8888
-
出现jupyter登录页面，如下图，前面我们记下来了token字符串的值(708d365fce9d9a76f98b2ade7e9aefcbc8401dbf5027ffa6)，在红框位置输进去，然后点击右侧的"Log in"按钮，即可登录成功；
-
如下图，点击右侧的"New"，在弹出的菜单中点击"Python 3"：
- 会出现新的页面，如下图，这就是我们输入代码和运行代码的地方：
- 在上图红框中，输入以下代码，这段代码就是经典的鸾尾花分类：一共有150朵鸾尾花，每朵有自己的花萼长、花萼宽、花瓣长、花瓣宽这四个特征值，这150朵鸾尾花一共分为三类，我们取其中的140朵交给机器学习，学习完成后，我们将剩下10朵的特征给机器，让机器来分类，最后对比机器分类的结果和实际结果，看看误差有多大，代码中已经添加了详细的注释，就不再赘述了：
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
import numpy as np
import pandas as pd
from pandas.plotting import scatter_matrix
import matplotlib.pyplot as plt
from sklearn.neighbors import KNeighborsClassifier
#可以在浏览器上实时显示图像
%matplotlib inline
#取得鸾尾花数据集
iris_dataset = load_iris()
#将整个数据集分割成两部分：train用来训练，test用来测试，这里test_size等于10表示测试数据只有10条，其余的全部用作训练，
#注意，train_test_split会将iris_dataset的数据顺序打乱再分割
#X表示特征数据，每一行表示一朵鸾尾花的完整特征，该特征有四列：花萼长、花萼宽、花瓣长、花瓣宽
#y表示标签，例如y[0]=1，就表示X[0]的四个特征，对应的鸾尾花是第二类，总共有三类鸾尾花
X_train, X_test, y_train, y_test = train_test_split(iris_dataset[‘data’], iris_dataset[‘target’], test_size=10)
#在绘图的时候，指定数据列的名称来自数据集的’feature_names’
iris_dataframe=pd.DataFrame(X_train, columns=iris_dataset[‘feature_names’])
#绘图，散点矩阵图，每个小图和横轴是一个特征，纵轴是另个特征，
#例如花萼长做横轴、花萼宽做纵轴，可以看出不同的花萼长、花萼宽数据对应的鸾尾花类型分布情况
grr=scatter_matrix(iris_dataframe, c=y_train, figsize=(15,15), marker=‘o’, hist_kwds={‘bins’:20}, s=60, alpha=.8)
#使用K最邻近算法来做训练
knn = KNeighborsClassifier(n_neighbors=1)
#用前面分割好的数据来做训练，X是特征，y是确定的鸾尾花的类型
knn.fit(X_train, y_train)
#训练完毕后，输入前面分割好的10组特征值，用K最邻近算法预测这10组特征值分别是哪10种鸾尾花
y_pred = knn.predict(X_test)
#把预测结果打印出来
print(“测试集预测结果：\n{}”.format(y_pred))
#y_test是早就准备好的，那10组特征对应的实际的类型
print(“测试集实际结果：\n{}”.format(y_test))
#将预测结果和实际结果做对比，可以得到预测的准确率
print(“knn打分：{:.2f}”.format(knn.score(X_test, y_test)))
- 写完了代码，点击下图红框中的按钮，即可运行：
- 运行结果会立即显示出来，如下图：
- 您可以修改源码中train_test_split方法的test_size参数，例如从10改为50，这样学习样本就减少了，而测试数据增加了，理论上推测准确率会下降，请您自行修改和验证这个推论；
至此，您已经搭建好了机器学习的开发环境，并且运行了最经典的入门Demo。
关于Docker
一行命令就搭建好了开发环境，您也许会对该命令中的Docker镜像感兴趣，该镜像的关键是两个文件：制作镜像的Dockerfile和容器启动的docker-entrypoint.sh，您可以在可以从GitHub上下载这两个文件，地址和链接信息如下表所示：
| 名称 | 链接 | 备注 |
| :-- | :-- | :-- |
| 项目主页 | https://github.com/zq2599/blog_demos | 该项目在GitHub上的主页 |
| git仓库地址(https) | https://github.com/zq2599/blog_demos.git | 该项目源码的仓库地址，https协议 |
| git仓库地址(ssh) | git@github.com:zq2599/blog_demos.git | 该项目源码的仓库地址，ssh协议 |