Python 机器学习之sklearn库

　　自2007年发布以来，scikit-learn已经成为Python重要的机器学习库了，scikit-learn简称sklearn，支持包括分类，回归，降维和聚类四大机器学习算法。还包括了特征提取，数据处理和模型评估者三大模块。

　　sklearn是Scipy的扩展，建立在Numpy和matplolib库的基础上。利用这几大模块的优势，可以大大的提高机器学习的效率。

　　sklearn拥有着完善的文档，上手容易，具有着丰富的API，在学术界颇受欢迎。sklearn已经封装了大量的机器学习算法，包括LIBSVM和LIBINEAR。同时sklearn内置了大量数据集，节省了获取和整理数据集的时间。

　　一，sklearn官方文档的内容和结构

　　1.1 sklearn官方文档的内容

　　定义：针对经验E和一系列的任务T和一定表现的衡量P，如果随着经验E的积累，针对定义好的任务T可以提高表现P，就说明机器具有学习能力。

　　库的算法主要有四类：分类，回归，聚类，降维。其中：

　　常用的回归：线性、决策树、SVM、KNN ;集成回归：随机森林、Adaboost、GradientBoosting、Bagging、ExtraTrees

　　常用的分类：线性、决策树、SVM、KNN，朴素贝叶斯;集成分类：随机森林、Adaboost、GradientBoosting、Bagging、ExtraTrees

　　常用聚类：k均值(K-means)、层次聚类(Hierarchical clustering)、DBSCAN

　　常用降维：LinearDiscriminantAnalysis、PCA

　　这个流程图代表：蓝色圆圈是判断条件，绿色方框是可以选择的算法，我们可以根据自己的数据特征和任务目标去找一条自己的操作路线。

　　sklearn中包含众多数据预处理和特征工程相关的模块，虽然刚接触sklearn时，大家都会为其中包含的各种算法的广度深度所震惊，但其实sklearn六大板块中有两块都是关于数据预处理和特征工程的，两个板块互相交互，为建模之前的全部工程打下基础。

　　模块preprocessing：几乎包含数据预处理的所有内容

　　模块Impute：填补缺失值专用

　　模块feature_selection：包含特征选择的各种方法的实践

　　模块decomposition：包含降维算法

　　以上内容为大家介绍了Python 机器学习之sklearn库，希望对大家有所帮助，如果想要了解更多Python相关知识，请关注多测师。https://www.e70w.com/xwzx/