Scikit Learn简介：Python机器学习的黄金标准

比较Scikit Learn的许多机器学习模型

机器学习的黄金标准

如果您要使用Python进行机器学习，Scikit Learn是黄金标准。 Scikit-learn提供了多种有监督和无监督学习算法。最重要的是，它是迄今为止最简单，最干净的ML库。

Scikit learn是用软件工程思维创造的。它的核心API设计围绕着易于使用、功能强大，并且仍然保持着研究工作的灵活性。这种稳健性使其非常适用于从研究阶段到生产部署的任何端到端ML项目。

Scikit Learn提供的内容

Scikit Learn构建于几个常见的数据和数学Python库之上。这样的设计使得它们之间的整合非常容易。您可以将numpy数组和pandas数据框直接传递给Scikit的ML算法！它使用以下库：

• NumPy：对于任何有矩阵的工作，特别是数学运算
• SciPy：科学技术计算
• Matplotlib：数据可视化
• IPython：Python的交互式控制台
• Sympy：符号数学
• Pandas：数据处理、操作和分析

Scikit Learn专注于机器学习，例如数据建模。它不关心数据的加载、处理、操作和可视化。因此，使用上述库（尤其是NumPy）进行这些额外步骤是很自然和通常的做法。它们简直就是天生一对。

Scikit强大的算法产品包括：

• 回归：拟合线性和非线性模型
• 聚类：无监督分类
• 决策树：分类和回归任务的树归纳和修剪
• 神经网络：分类和回归的端到端训练。可以在元组中轻松定义图层
• SVM：用于学习决策边界
• 朴素贝叶斯：直接概率建模

除此之外，它还具有一些非常方便和高级的功能，这些功能通常不被其他库提供：

• 集合方法：提升、袋装法（Bagging）、随机森林、模型投票和平均
• 特征操作：降维、特征选择、特征分析
• 异常点检测：用于检测异常值并抑制噪声
• 模型选择和验证：交叉验证、超级参数优化和指标

测试

为了让您了解使用Scikit Learn训练和测试ML模型是多么容易，下面是一个示例，演示如何为决策树分类器实现这一点!

分类和回归的决策树在Scikit Learn中使用内置类非常容易使用。我们将首先加载实际上内置到库中的数据集。然后我们将初始化我们的决策树进行分类，也是一个内置类。跑步训练是一个简单的单线程！ .fit（X，Y）函数训练模型，其中X是numpy输入数组，Y是相应的numpy输出数组。

Scikit Learn还允许我们使用graphviz库可视化我们的树。它提供了一些选项，有助于可视化决策节点和模型学习的分割，这对于理解它是如何工作非常有用。下面我们将根据功能名称为节点着色，并显示每个节点的类和特征信息。

除此之外，Scikit Learn的文档非常精湛！每个算法参数都清楚地解释并直观地命名。此外，他们还提供教程，包括如何训练和应用模型的示例代码，它的优点和缺点，以及实际的应用技巧！

编译出品