Scikit-learn（也称为 sklearn）是一个广泛使用的开源 Python 机器学习库。它建立在 NumPy、SciPy 和 Matplotlib 等其他科学库的基础之上，为我们提供了高效的预测性数据分析和数据挖掘工具。
它为一系列有监督和无监督学习算法（包括分类、回归、聚类、降维、模型选择和预处理）提供了一致且简单的接口。
为什么要学习 Scikit-Learn？
- 丰富的算法库： Scikit-learn 提供了种类繁多的分类、回归、聚类和降维算法。
- 易于使用和理解： 其简洁的 API 设计和详尽的文档使其既适合初学者，也适合专业人士。
- 良好的互操作性： 可以与 NumPy、Pandas、Matplotlib 和其他 Python 库无缝协作。
- 特征工程与评估工具： 包含了预处理工具、管道和模型评估指标。
- 生产环境就绪： 针对性能进行了优化，并能扩展以处理大规模数据集。
安装与设置
为了在我们的环境中正确设置 Scikit-learn。无论我们使用的是 Google Colab、Windows、Linux 还是 macOS，都可以使用 pip 或 conda 轻松完成安装。本节将引导我们完成特定于平台的设置步骤。
- 在 Colab 中安装 Sklearn
- 在 Windows 上安装 Scikit-Learn
- 在 Linux 上安装 Scikit-Learn
- 在 MacOS 上安装 Scikit-Learn
- 如何在 Anaconda 中升级 Scikit-Learn 包
Scikit-Learn 基础知识
让我们深入了解 Scikit-learn 的核心组件，包括数据集、预处理工具和模型构建。我们将学习如何使用管道、转换数据以及识别重要特征，从而构建高效的机器学习工作流。
- 什么是 scikit-learn 库
- 在 Scikit-learn 中学习模型构建
- Scikit-Learn 中的顶级内置数据集
- 使用 Scikit-Learn 进行数据归一化
- 使用 Scikit-Learn 进行特征选择
- 使用 Scikit-Learn 进行数据预处理
- 识别 scikit-learn 分类器中信息量最大的特征
- Sklearn 管道
使用 Scikit-Learn 进行监督学习
监督学习涉及在标记数据上训练模型以进行预测。Scikit-learn 提供了多种算法，例如线性回归、SVM、决策树和随机森林，来解决分类和回归问题。