Scikit-learn一个开源的Python机器学习库

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

Scikit-learn

Scikit-Learn简称sklearn，是一个开源的Python机器学习库，它建立在NumPy、SciPy和Matplotlib之上。自2007年发布以来，已经成为Python重要的机器学习库。其包括分类、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三大模块。

Scikit-Learn的设计目标之一是提供简单一致的API，使得机器学习任务变得更加容易。学会了一个模式就可以快速地学会其他类型的学习模式。

Scikit-learn六大模块

Scikit-learn六大模块

• 分类：识别某个对象属于哪个类别
  
  • 算法: KNN
    

, 随机森林 逻辑回归 朴素贝叶斯 GBDT XGboost LightGBM

• 应用: 垃圾邮件检测，图像识别
  

回归：预测与对象相关联的连续值属性

• 算法: 线性回归 Lasso回归 决策树回归 随机森林回归 XGboost回归
• 应用: 房价预测，时间序列预测
  

聚类：将相似对象自动分组

• 算法: k-Means
  

• , spectral clustering, mean-shift，基于层次聚类 基于密度聚类
• 应用: 客户细分；将数据分成相似的组。
  

降维：减少要考虑的随机变量的数量，

• 算法:  因子分析 PCA
  

• ICA LDA,  属性降维
• 应用: 可视化；减少数据的特征维度，以简化问题并提高计算效率
  
• 模型选择：比较，验证，选择参数和模型
  
  • 模型: Metrics Scoring模型得分 Grid search 网格搜索 Cross Validation 交叉验证 Hyper-Parameters 超参数选择 Validation curves 模型验证曲线
  • 目标: 通过参数调整提高精度
    
• 数据预处理：特征选择,特征提取和归一化
  
  • 算法: Standardization标准化 Scaling Features归一化 Non-linear transformation非线性转化Gaussian distribution高斯分布转化 Normalization正则化 Encoding categorical features类别性编码处理
  • 应用: 把输入数据转换为机器学习算法可用的数据
    

快速了解scikit-learn库中的模块、类、函数

• 先观其大略，把模块的文档过一遍，遇到问题，有个印象去哪里查找。
• 究其细节：对常见的模块认真阅读。
• 常见模块：数据模块，数据处理模块，回归模块，分类模块，聚类模块，降维模块，模型评估模块，模型保存模块。
  

代码实现：了解方法

import sklearn# 查看库的模块dir(sklearn) # 查看模块中的方法和类# dir(sklearn.datasets) # 模块中包含的类和方法的详细信息：参数、返回值和功能描述# help(sklearn.datasets.load_iris)

1数据模块（Data Modules）：

• sklearn.datasets：包含示例数据集，如Iris、Digits等。
• sklearn.datasets.fetch_openml：用于从OpenML获取数据集。
• sklearn.datasets.fetch_lfw_people：用于获取LFW人脸数据集。
  

2数据处理模块（Data Preprocessing）：

• sklearn.preprocessing：提供特征缩放、标准化、编码、缺失值处理等功能。
• sklearn.impute：用于填充缺失数据的模块。
• sklearn.feature_selection：包括特征选择方法，帮助选择最重要的特征。
• sklearn.decomposition：包含降维方法，如主成分分析（PCA）和因子分析。
• sklearn.model_selection.train_test_split：用于将数据集分割为训练集和测试集。
  

3回归模块（Regression）：

• sklearn.linear_model：包含线性回归、岭回归、Lasso回归等线性模型。
• sklearn.svm：支持向量机（SVM）用于回归任务。
• sklearn.neighbors：k-近邻（KNN）回归方法。
  

4分类模块（Classification）：

• sklearn.linear_model：逻辑回归、线性判别分析等用于分类的线性模型。
• sklearn.svm：支持向量机（SVM）用于分类任务。
• sklearn.neighbors：k-近邻（KNN）分类方法。
• sklearn.tree：决策树分类器。
• sklearn.ensemble：随机森林、AdaBoost、梯度提升等集成学习方法。
  

5聚类模块（Clustering）：

• sklearn.cluster：包括K均值、DBSCAN、层次聚类等聚类算法。
• sklearn.cluster.KMeans：K均值聚类
• sklearn.cluster.AgglomerativeClustering：层次聚类
• sklearn.cluster.DBSCAN：基于密度的聚类方法，可以识别具有相似密度的数据点
• sklearn.cluster.SpectralClustering：谱聚类，数据之间的相似度矩阵
  

6降维模块（Dimensionality Reduction）：

• sklearn.decomposition：主成分分析（PCA）、独立成分分析（ICA）等降维方法。
• sklearn.decomposition.PCA：主成分分析是一种线性降维方法
• sklearn.decomposition.FastICA：独立成分，从混合信号中分离出原始信号。
  

7模型评估模块（Model Evaluation）：

• sklearn.metrics：包括各种模型评估指标，如准确率、F1分数、ROC曲线等。
• sklearn.model_selection：提供交叉验证、参数搜索和数据集分割的工具。
  

8模型保存模块（Model Saving）：

• sklearn.externals.joblib：用于模型保存和加载的工具。
  

其他，集成学习模块

• sklearn.ensemble: 这个模块包括集成学习方法，如随机森林、梯度提升、AdaBoost等。
  

常见方法：

• fit(): 用于训练机器学习模型。
• predict(): 用于进行预测。
• transform(): 对数据进行变换，如特征工程。
• score(): 评估模型性能。
• GridSearchCV
  

(): 用于网格搜索交叉验证以调优模型参数。cross_val_score(): 执行交叉验证并返回评分。train_test_split(): 将数据集分割为训练集和测试集。confusion_matrix(): 计算混淆矩阵，用于分类问题的性能评估。

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏1 回帖

关键词：scikit-learn python Learn Earn 机器学习 Scikit-learn一个开源的Python机器学习库

收藏呀。。。。
感谢分享呀。。。。

收藏学习了