scikit-learn入门指南-优快云博客

本文链接：https://blog.youkuaiyun.com/cs_zhangyi/article/details/51621310

自2007年发布以来，scikit-learn已经成为最给力的Python机器学习库（library）了。scikit-learn支持的机器学习算法包括分类，回归，降维和聚类。还有一些特征提取（extracting features）、数据处理（processing data）和模型评估（evaluating models）的模块。作为Scipy库的扩展，scikit-learn也是建立在Python的NumPy和matplotlib库基础之上。NumPy可以让Python支持大量多维矩阵数据的高效操作，matplotlib提供了可视化工具，SciPy带有许多科学计算的模型。
scikit-learn文档完善，容易上手，丰富的API，使其在学术界颇受欢迎。开发者用scikit-learn实验不同的算法，只要几行代码就可以搞定。scikit-learn包括许多知名的机器学习算法的实现，包括LIBSVM和LIBLINEAR。还封装了其他的Python库，如自然语言处理的NLTK库。另外，scikit-learn内置了大量数据集，允许开发者集中于算法设计，节省获取和整理数据集的时间。
scikit-learn可以不受任何限制，遵从自由的BSD授权。许多scikit-learn的算法都可以快速执行而且可扩展，除了海量数据集以外。最后，scikit-learn稳定性很好，大部分代码都可以通过Python的自动化测试（mock，nose等）。
scikit-learn文档完善，容易上手，丰富的API，使其在学术界颇受欢迎。开发者用scikit-learn实验不同的算法，只要几行代码就可以搞定。scikit-learn包括许多知名的机器学习算法的实现，包括LIBSVM和LIBLINEAR。还封装了其他的Python库，如自然语言处理的NLTK库。另外，scikit-learn内置了大量数据集，允许开发者集中于算法设计，节省获取和整理数据集的时间。
scikit-learn可以不受任何限制，遵从自由的BSD授权。许多scikit-learn可以快速执行而且可扩展，除了海量数据集以外。最后，scikit-learn稳定性很好。
Mac OS上建议安装Anaconda，里面集成了scikit－learn、numpy、matplot、scipy等等做科学计算必须的东西。
可以通过sklearn.version来查看当前sklearn的版本信息。下图是我安装后的截图。

通常，给定样本数据集，然后尝试预测未知数据的属性，如果每个样本超过单个数值，例如，一组多维的输入值，就称其有多个属性或特征。
我们可以将学习问题分为几大类：
监督学习：监督学习是对具有概念标记（分类）的训练样本进行学习，以尽可能对训练样本集外的数据进行标记（分类）预测。这里，所有的标记（分类）是已知的。
其还可以在分：
–分类：样本数据属于两类或者多类，我们想要从带类别标记的数据中学习，并预测未知数据的类别。一个分类问题的例子就是手写数字识别的例子。
–回归：如果输出数据时由一系列连续的变量组成，我们称这个任务为回归。回归问题的一个例子是根据鲑鱼的年龄和重量来预测鲑鱼的长度。
非监督学习：对没有概念标记（分类）的训练样本进行学习，以发现训练样本集中的结构性知识。这里，所有的标记（分类）是未知的。这种问题的目标是发现数据样本聚集的相似性，那就称其为聚类；或在输入空间内决定数据的分布，其就是密度估计；或是将高维的数据降维到二维或者三维，以便进行数据可视化。

训练集、测试集、验证集
训练集：训练集是用来学习的样本集，通过匹配一些参数来建立一个模型（如：分类器）
测试集：测试集纯粹是为了测试已经训练好的模型的分类能力的样本集。
验证集：验证集是用来调整分类器的参数的样本集，比如在神经网络中选择隐藏单元数。验证集还用来确定网络结构或者控制模型复杂程度的参数。

scikit-learn本身内置了一些标准的数据集，例如：鸢尾花和数字数据集用于分类，还有波士顿房屋价格数据集用来做回归。
接下来用Python 语言来实现加载这些数据集（iris和digits）