sklearn简介

sklearn

机器学习的工具箱

sklearn功能模块

分类: 识别某个对象属于哪个类别------垃圾邮件监测, 图像识别

回归: 预测与对象相关联的连续值属性------>股价

聚类: 将相似对象自动分组------>客户细分, 分组实验结果

降维: 减少要考虑的随机变量的数量------>可视化

模型选择: 比较, 验证, 选择参数和模型------>通过参数调整提高精度

预处理: 特征提取和归一化------>把输入数据转换为机器学习算法可用的数据

 

sklearn统一API

 

sklearn使用地图

classification: 分类　　regression: 回归　　clustering: 聚类　　demension reduction: 降维

分类:

SVC: 支持向量机--->通过升维划分出数据集的高维线性边界(高维线性边界降维得出低维的各种曲线)

KNeighbors: K近邻

LR: 逻辑回归--->将数据集回归到标签, 而不是回归成一条直线

Naive Bayes: 朴素贝叶斯

回归:

Lasso

ElasticNet

SVR

聚类:

KMeans

降维:

PCA

 

sklearn学习路线

1. 快速入门

　　sklearn一般流程: 数据获取, 数据预处理,  模型训练, 模型评估, 模型优化

2. 特征工程

　　数据的获取, 数据预处理, 特征的提取, 特征的选择

3. 算法工程

　　模型的训练, 模型的评估, 模型的优化

 

转载于:https://www.cnblogs.com/draven123/p/11407865.html