SciKit-learn轻松使用机器学习（1）

1. 引言：Why Sklearn？

1.1. scikit-learn 是基于 Python 语言的机器学习工具。

1. 简单高效的数据挖掘和数据分析工具；
2. 可供大家在多环境、跨平台中重复使用；
3. 建立在 NumPy ，SciPy 和 matplotlib 上；
4. 开源，可商业使用 - BSD许可证。

1.2 scikit-learn 功能架构

• Classification分类

1. SVM支持向量机
2. k-最近邻
3. 随机森林等

• Regression回归

1. SVR等

• Clustering聚类

1. k-means等

• Dimensionality reduction降维

1. PCA
2. 特征选择等

• Model Selection模型选择
• Preprocessing数据、模型预处理

1. 预处理
2. 特征提取等

1.3 官方文档英/中

学习scikit-learn如同学习机器学习知识一般，理论知识、代码实现和可视化结果，有助于快速入门机器学习。

scikit-learn官方英文文档：https://scikit-learn.org/stable/index.html

考虑到英文文档阅读起来较为吃力，Github上目前已经更新了译者版本的中文文档，请查阅链接：

http://sklearn.apachecn.org/#/

---

2. SciKit-Learn学习路线

主要内容如下，另外，点击超链接即可传送至视频出处进行详细观看和学习。

• Sklearn 简介

  1. 1.1 机器学习 (Machine Learning)
  2. 1.2 Why Sklearn?
  3. 1.3 Sklearn 安装

• 一般使用

  1. 2.1 选择学习方法
  2. 2.2 通用学习模式
  3. 2.3 sklearn 强大数据库
  4. 2.4 sklearn 常用属性与功能

• 高级使用

  1. 3.1 正规化 Normalization
  2. 3.2 检验神经网络 (Evaluation)
  3. 3.3 交叉验证 1 Cross-validation
  4. 3.4 交叉验证 2 Cross-validation
  5. 3.5 交叉验证 3 Cross-validation
  6. 3.6 保存模型

3. 一般应用

3.1 选择学习方法

 

3.2 通用学习模式

 

3.3 sklearn 强大库函数

 

3.4 sklearn 常用属性与功能

 

 

---

4.  高级应用

4.1 正规化

 

4.2 检验神经网络

 

4.3 交叉验证

 

4.4 保存和加载模型