7.1 Scikit-learn库简介及快速入门

7.1.1 Scikit-learn简介

Scikit-learn（以下简称sklearn）是开源的Python机器学习库，它基于Numpy和Scipy，提供了大量用于数据挖掘和分析的工具，包括数据预处理、交叉验证、算法与可视化算法等一系列接口。sklearn的官方网站是http://scikit-learn.org/stable/，在上面可以找到相关的Scikit-Learn的资源，模块下载，文档，例程等。
sklearn的基本功能主要被分为六个部分，分类，回归，聚类，数据降维，模型选择，数据预处理，具体可以参考官方网站上的文档。

7.1.2 Scikit-learn快速入门

sklearn可以独立完成机器学习的以下六个步骤，

1. 选择数据，即将数据分成三组，分别是训练数据、验证数据和测试数据。
2. 模拟数据，使用训练数据来构建使用相关特征的模型。
3. 验证模型，使用验证数据接入模型。
4. 测试模型，使用测试数据检查被验证的模型的表现。
5. 使用模型，使用完全训练好的模型在新数据上做预测。
6. 调优模型，使用更多数据、不同的特征或调整过的参数来提升算法的性能表现。
   此外sklearn支持多种格式的数据，下面以该库内置的莺尾花（iris）数据集为例，通过k邻近算法，利用scikit-learn模块对数据进行分析，示例代码：

   from sklearn import neighbors, datasets, preprocessing
   from sklearn.cross_validation import train_test_split
   from sklearn.metrics import accuracy_score
   iris = datasets.load_iris()      #通过数据集导入iris数据
   X, y = iris.data[:, :2], iris.target      #将iris数据的自变量和结果标签分别赋予向量X和y
   X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=33)      #切分数据集分别为训练集和测试集
   scaler = preprocessing.StandardScaler().fit(X_train)    #数据预处理，即数据标准化
   X_train = scaler.transform(X_train)
   X_test = scaler.transform(X_test)
   knn = neighbors.KNeighborsClassifier(n_neighbors=5)    #导入k近邻算法
   knn.fit(X_train, y_train)      #模拟数据模型
   y_pred = knn.predict(X_test)    #预测结果
   accuracy_score(y_test, y_pred)    #测试预测结果的准确率

   运行结果：

   0.63157894736842102

   在本例中，通过sklearn库分别导入了k近邻算法的neighbors模块，内置的数据集datasets模块和数据预处理preprocessing模块，此外按照数据分析的流程，还导入了交叉验证模块cross_validation，以及检验数据模型效果的metrics模块。
   此程序运行的结果即为该模型经过测试集检验得出的准确率。