Python标准机器学习库— —sklearn学习入门（一）

从本部分内容开始，主要分享学习sklearn库的基本心得和主要收获。

---

1、数据集的基本使用方法

以手写数据集的使用为例

使用 from sklearn.datasets import load_digits 加载数据集

参数

return_X_y:默认为false，表示以字典形式返回数据的全部信息（data和target)；若为True,则以(data,target)的形式返回数据。

n_class:表示返回数据的类别数，如 n_class=5，则返回0到4的数据样本；

使用该数据集的示例：

digit = load_digits()        #默认时false,n_class=10
print(digit.data.shape)
print(digit.images.shape)
plt.matshow(digit.images[0]) 
plt.show()

2、sklearn的基本功能

主要包括回归、分类、聚类、降维、模型旋转、数据的预处理.

常用的分类模型及其调用方法

分类模型	加载模块
最近临近法	neighbors.NearestNeighbors
支持向量机	svm.SVC
朴素贝叶斯	native_bayes,GaussianNB
决策树	tree.DecisionTreeClassifier
集成方法	ensemble.BaggingClassifier
神经网络	neural_network.MLPClassifier

常用的回归模型及其调用方法

回归模型	加载模块
岭回归	linear_model.Ridge
Lasso回归	linear_model.Lasso
弹性网络	linear_model.ElasticNet
最小角回归	linear_model.Lars
贝叶斯回归	linear_model.BayesianRidge
逻辑回归	linear_model.LogisticRegression
多项式回归	linear_model.PolynomialFeatures

常用的聚类模型及其调用方法

聚类模型	加载模块
K-means	cluster.KMeans
AP聚类	cluster.AffinityPropagation
均值漂移	cluster.MeanShift
层次聚类	cluster.AgglomerativeClustering
DBSCAN	cluster.DBSCAN
BIRCH	cluster.Birch
谱聚类	cluster.SpectralClustering

常用的降维模型及其调用方法

降维模块	加载模块
主成分分析	decomposition.PCA
截断SVD和LSA	decomposition.TruncatedSVD
字典学习	decomposition.SparseCoder
因子分析	decomposition.FactorAnalysis
独立成分分析	decomposition.FastICA
非负矩阵分解	decomposition.NMF
LDA	decomposition.LatenDirichletAllocation

3、机器学习的分类

• 无监督学习：Supervised Learning
• 监督学习：Unsupervised Learning
• 半监督学习：Semi-supervised Learning
• 强化学习：Reinforcement Learning
• 深度学习：Deep Learning

下面的章节将主要按照模块讲解各个模块的功能及其常见用法，欢迎继续关注.