如何将 Scikit-learn Python 库用于数据科学项目

shirley0lhz

2018-10-15

关注关注

灵活多样的 Python 库为数据分析和数据挖掘提供了强力的机器学习工具。

Scikit-learn Python 库最初于 2007 年发布，通常用于解决各种方面的机器学习和数据科学问题。这个多种功能的库提供了整洁、一致、高效的 API 和全面的在线文档。

什么是 Scikit-learn？

Scikit-learn 是一个开源 Python 库，拥有强大的数据分析和数据挖掘工具。在 BSD 许可下可用，并建立在以下机器学习库上：

NumPy，一个用于操作多维数组和矩阵的库。它还具有广泛的数学函数汇集，可用于执行各种计算。
SciPy，一个由各种库组成的生态系统，用于完成技术计算任务。
Matplotlib，一个用于绘制各种图表和图形的库。

Scikit-learn 提供了广泛的内置算法，可以充分用于数据科学项目。

以下是使用 Scikit-learn 库的主要方法。

1、分类

分类工具识别与提供的数据相关联的类别。例如，它们可用于将电子邮件分类为垃圾邮件或非垃圾邮件。

Scikit-learn 中的分类算法包括：

支持向量机Support vector machines（SVM）
最邻近Nearest neighbors
随机森林Random forest

2、回归

回归涉及到创建一个模型去试图理解输入和输出数据之间的关系。例如，回归工具可用于理解股票价格的行为。

回归算法包括：

支持向量机Support vector machines（SVM）
岭回归Ridge regression
Lasso（LCTT 译注：Lasso 即 least absolute shrinkage and selection operator，又译为最小绝对值收敛和选择算子、套索算法）

3、聚类

Scikit-learn 聚类工具用于自动将具有相同特征的数据分组。例如，可以根据客户数据的地点对客户数据进行细分。

聚类算法包括：

K-means
谱聚类Spectral clustering
Mean-shift

4、降维

降维降低了用于分析的随机变量的数量。例如，为了提高可视化效率，可能不会考虑外围数据。

降维算法包括：

主成分分析Principal component analysis（PCA）
功能选择Feature selection
非负矩阵分解Non-negative matrix factorization

5、模型选择

模型选择算法提供了用于比较、验证和选择要在数据科学项目中使用的最佳参数和模型的工具。

通过参数调整能够增强精度的模型选择模块包括：

网格搜索Grid search
交叉验证Cross-validation
指标Metrics

6、预处理

Scikit-learn 预处理工具在数据分析期间的特征提取和规范化中非常重要。例如，您可以使用这些工具转换输入数据（如文本）并在分析中应用其特征。

预处理模块包括：

预处理
特征提取

Scikit-learn 库示例

让我们用一个简单的例子来说明如何在数据科学项目中使用 Scikit-learn 库。

我们将使用鸢尾花花卉数据集，该数据集包含在 Scikit-learn 库中。鸢尾花数据集包含有关三种花种的 150 个细节，三种花种分别为：

Setosa：标记为 0
Versicolor：标记为 1
Virginica：标记为 2

数据集包括每种花种的以下特征（以厘米为单位）：

萼片长度
萼片宽度
花瓣长度
花瓣宽度

第 1 步：导入库

由于鸢尾花花卉数据集包含在 Scikit-learn 数据科学库中，我们可以将其加载到我们的工作区中，如下所示：

from sklearn import datasets
iris = datasets.load_iris()

这些命令从 sklearn 导入数据集 datasets 模块，然后使用 datasets 中的 load_iris() 方法将数据包含在工作空间中。

第 2 步：获取数据集特征

数据集 datasets 模块包含几种方法，使您更容易熟悉处理数据。

在 Scikit-learn 中，数据集指的是类似字典的对象，其中包含有关数据的所有详细信息。使用 .data 键存储数据，该数据列是一个数组列表。

例如，我们可以利用 iris.data 输出有关鸢尾花花卉数据集的信息。

print(iris.data)

这是输出（结果已被截断）：

[[5.13.51.40.2]
 [4.93. 1.40.2]
 [4.73.21.30.2]
 [4.63.11.50.2]
 [5. 3.61.40.2]
 [5.43.91.70.4]
 [4.63.41.40.3]
 [5. 3.41.50.2]
 [4.42.91.40.2]
 [4.93.11.50.1]
 [5.43.71.50.2]
 [4.83.41.60.2]
 [4.83. 1.40.1]
 [4.33. 1.10.1]
 [5.84. 1.20.2]
 [5.74.41.50.4]
 [5.43.91.30.4]
 [5.13.51.40.3]

我们还使用 iris.target 向我们提供有关花朵不同标签的信息。

print(iris.target)

这是输出：

[0000000000000000000000000000000000000
0000000000000111111111111111111111111
1111111111111111111111111122222222222
2222222222222222222222222222222222222
 22]

如果我们使用 iris.target_names，我们将输出数据集中找到的标签名称的数组。

print(iris.target_names)

以下是运行 Python 代码后的结果：

['setosa''versicolor''virginica']

第 3 步：可视化数据集

我们可以使用箱形图来生成鸢尾花数据集的视觉描绘。箱形图说明了数据如何通过四分位数在平面上分布的。

以下是如何实现这一目标：

import seaborn as sns
box_data = iris.data #表示数据数组的变量
box_target = iris.target #表示标签数组的变量
sns.boxplot(data = box_data,width=0.5,fliersize=5)
sns.set(rc={'figure.figsize':(2,15)})

让我们看看结果：

如何将 Scikit-learn Python 库用于数据科学项目

在横轴上：

0 是萼片长度
1 是萼片宽度
2 是花瓣长度
3 是花瓣宽度

垂直轴的尺寸以厘米为单位。

总结

以下是这个简单的 Scikit-learn 数据科学教程的完整代码。

from sklearn import datasets
iris = datasets.load_iris()
print(iris.data)
print(iris.target)
print(iris.target_names)
import seaborn as sns
box_data = iris.data #表示数据数组的变量
box_target = iris.target #表示标签数组的变量
sns.boxplot(data = box_data,width=0.5,fliersize=5)
sns.set(rc={'figure.figsize':(2,15)})

Scikit-learn 是一个多功能的 Python 库，可用于高效完成数据科学项目。

如果您想了解更多信息，请查看 LiveEdu 上的教程，例如 Andrey Bulezyuk 关于使用 Scikit-learn 库创建机器学习应用程序的视频。

有什么评价或者疑问吗？欢迎在下面分享。

作者：Dr.Michael J.Garbade 选题：lujun9972 译者：Flowsnow 校对：wxy

本文由 LCTT 原创编译，Linux中国荣誉推出

scikit-learn 机器学习大数据 python

shirley0lhz

0 关注 0 粉丝 0 动态

关注关注

用于可解释机器学习的 Python 库

本文转自雷锋网，如需转载请至雷锋网官网申请授权。由于对人工智能偏见的担心日益凸显，从业者解释模型产出的预测结果的能力以及解释模型自身运作机制的能力变的越来越重要。幸运的是，已经有许多python工具集被开发出来，用以解决上述问题。下文我将对现有4个建立的比

liwenshui 2020-08-19

数据归一化 scikit-learn中的Scaler

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=666)

83327712 2020-07-30

Python数据分析软件包介绍

Numpy提供了两种基本的对象：ndarray和ufunc。ndarray是存储单一数据类型的多维数组，而ufunc是能够对数组进行处理的函数。Numpy的功能：N维数组，一种快速、高效使用内存的多维数组，他提供矢量化数学运算；可以不需要使用循环，就能对整

Kwong 2020-06-05

2020年十大用于数据科学的Python库

Python在数据科学方面取得巨大成功的另一个原因是它对数据科学和分析的广泛的库支持。有许多Python库包含大量用于管理和分析数据的函数、工具和方法。这些库中的每一个都有一个特定的重点，一些库管理图像和文本数据、数据挖掘、神经网络、数据可视化等等。Sea

80377612 2020-05-25

MachineLearning入门-2

Scikit-learn是Python中开发和实践机器学习的类库之一，依赖于Scipy及其相关类库来运行。Scikit-learn的基本功能主要分为六大类：分类，回归，聚类，数据降维，模型选择，数据处理。需要指出的是，由于Scikit-learn本身不支持

80377612 2020-02-01

如何在Apache Pyspark中运行Scikit-learn模型

在本文中，我们将了解如何在Apache Pyspark中运行Scikit-learn模型，并讨论有关每个步骤的细节。如果您已经准备好了机器学习模型，则可以直接跳到“ pyspark wrapper”部分，也可以通过以下步骤创建一个简单的scikit lea

89377069 2019-12-30

使用Scikit-Learn库对Keras模型进行超参数调整

Keras是用于Python编程语言的神经网络库，能够与Theano，R或TensorFlow等许多深度学习工具一起运行，并允许快速迭代以进行神经网络的实验或原型设计。无论您是在Keras中对神经网络模型进行原型设计以了解其将如何执行所需任务，还是对已构建

89377069 2019-12-14

十个基本的Python数据科学软件包

由于它是机器学习的首选语言，本文介绍了以Python为中心的十个基本的数据科学软件包，包括最受欢迎的机器学习软件包。Scikit-Learn是一个基于SciPy和NumPy的Python机器学习模块。摩根大通和Spotify等公司将它用于各自的数据科学工作

NS 2019-09-25

在PyODPS DataFrame自定义函数中使用pandas、scipy和scikit-learn

背景PyODPS DataFrame 提供了类似 pandas 的接口，来操作 ODPS 数据，同时也支持在本地使用 pandas，和使用数据库来执行。PyODPS DataFrame 除了支持类似 pandas 的 map 和 apply 方法，也提供了

CandyGL 2018-05-17

入门系列之Scikit-learn在Python中构建机器学习分类器

yangzzguang 2019-06-28

初步学习Scikit-learn（sklearn）

Scikit-learn是个简单高效的数据分析工具，它其中封装了大量的机器学习算法，内置了大量的公开数据集，并且拥有完善的文档。1 用KNN算法实现鸢尾花的分类。鸢尾花是在模式识别文献中最有名的数据库。数据集包含3个类，每类有50个实例，每个类指向一种类型

81367464 2019-06-27

在PyODPS DataFrame自定义函数中使用pandas、scipy和scikit-learn

yuan00yu 2019-06-27

2018年最受大家欢迎的五大机器学习工具和五大数据学习工具

2018年将会是人工智能和机器学习快速发展的一年，有专家表示：相较之下Python比Java更加接地气，也自然而然地成为机器学习的首选语言。在数据科学方面，Python的语法与数学语法最为接近，因此是数学家或经济学家等专业人士最容易理解和学习的语言。本文将

HappinessSourceL 2019-06-27

基于scikit-learn机器学习库的分类预测

本文简述了其实现原理和代码实现。一旦你在scikit-learn中选择好机器学习模型，就可以用它来预测新的数据实例。初学者经常会有这样的疑问：。这样做的目的就是为了评估模型在样本外数据上的表现及其性能，比如新的数据。

yukyinbaby 2019-06-27

scikit-learn探索

{0: 30, 1: 30, 2: 30, 3: 10}我们设置的是十折，也就是说将a分为十份，每次取一份来做test集结果很明显，类别标签里有0,1,2各30个，和10个3标签，他们的占比就是3:3:3:1当直接使用KFold的时候，则是每次取出十个同一

80377612 2019-06-25

【译】关于机器学习的11个开源工具

五小郎的学习笔记 2019-06-25

Python机器学习工具：Scikit-Learn介绍与实践

Scikit-learn 简介官方的解释很简单: Machine Learning in Python, 用python来玩机器学习。什么是机器学习机器学习关注的是: 计算机程序如何随着经验积累自动提高性能。而最大的吸引力在于，不需要写任何与问题相关的特定

HappinessSourceL 2019-06-21

Scikit-Learn 备忘录

Scikit-LearnScikit-learn是开源的Python机器学习库，提供了数据预处理、交叉验证、算法与可视化算法等一系列接口。Basic Example:基本用例>>> from sklearn import neighbor

89367464 2019-06-21

Python中Scikit-Learn库的分类方法总览

你是一个正在进入机器学习领域的Python程序员吗?掌握Scikit-Learn就是一个开启你的旅程的很好的方式。使用Scikit-Learn进行一些分类是应用你所学到的知识的一种直接而简单的方法，通过使用一个用户友好的、文档良好且健壮的库来实现这些分类可

seedcup 2019-06-10

Python开源机器学习框架：Scikit-learn

Scikit-learnSciPy - 是一款方便、易于使用、专为科学和工程设计的Python工具包。基于SciPy，目前开发者们针对不同的应用领域已经发展出了为数众多的分支版本，它们被统一称为Scikits，即SciPy工具包的意思。而在这些分支版本中，

weijinqian0 2019-05-24

安科网

如何将 Scikit-learn Python 库用于数据科学项目

shirley0lhz

什么是 Scikit-learn？

1、分类

2、回归

3、聚类

4、降维

5、模型选择

6、预处理

Scikit-learn 库示例

第 1 步：导入库

第 2 步：获取数据集特征

第 3 步：可视化数据集

总结

shirley0lhz

相关推荐

用于可解释机器学习的 Python 库

数据归一化 scikit-learn中的Scaler

Python数据分析软件包介绍

2020年十大用于数据科学的Python库

MachineLearning入门-2

如何在Apache Pyspark中运行Scikit-learn模型

使用Scikit-Learn库对Keras模型进行超参数调整

十个基本的Python数据科学软件包

在PyODPS DataFrame自定义函数中使用pandas、scipy和scikit-learn

入门系列之Scikit-learn在Python中构建机器学习分类器

初步学习Scikit-learn（sklearn）

在PyODPS DataFrame自定义函数中使用pandas、scipy和scikit-learn

2018年最受大家欢迎的五大机器学习工具和五大数据学习工具

基于scikit-learn机器学习库的分类预测

scikit-learn探索

【译】关于机器学习的11个开源工具

Python机器学习工具：Scikit-Learn介绍与实践

Scikit-Learn 备忘录

Python中Scikit-Learn库的分类方法总览

Python开源机器学习框架：Scikit-learn

shirley0lhz