针对新手入门的Scikit-Learn简介 如何选择合适的算法 读书笔记_《Python数据分析与挖掘实战》

Table of Contents

 

Scikit-Learn依赖库

安装指令

检查是否安装成功：

接口

实例数据集

扩展阅读：如何选择合适的算法

---

Scikit-Learn依赖库

NumPy, SciPy， Matplotlib

安装指令

pip install scikit-learn

检查是否安装成功：

#! /usr/bin/env python
# -*- coding: utf-8 -*-

from sklearn.linear_model import LinearRegression   #导入线性回归模型
model = LinearRegression()
print(model)

接口

1. 所有模型提供的接口：
   1. model.fit(): 训练模型
   2. 对于监督模型来说是fit(X,y)，对于非监督模型是fit(X)
2. 监督模型提供的接口：
   1. model.predict(X_new)：预测新样本
   2. model.predict_proba(X_new)：预测概率，仅对某些模型有用（比如LR）
   3. model.score()：得分越高，fit越好
3. 非监督模型提供的接口：
   1. model.transform(X_new)：从数据中学到新的“基空间”
   2. model.fit_transform()：从数据中学到新的基并将这个数据按照这组“基”进行转换

实例数据集

Scikit-Learn本身提供一些实例数据，比较常见的：

1. 安德森鸢尾花卉数据集Iris
2. 手写图像数据集MNIST
3. 世界名人图片数据集Labled Face Worldwide

以上摘自我的读书笔记_《Python数据分析与挖掘实战》

 

扩展阅读：如何选择合适的算法

更多可参考https://scikit-learn.org/stable/tutorial/machine_learning_map/