机器学习很难，sklearn很简单

好吧，我标题党了，sklearn的简单也是相对于机器学习原理本身，要学好也不容易！

人工智能、机器学习，一听就是高大上的东西，想学会肯定很难。这是当然的，要理解机器学习中的各种算法模型，还是需要较强的数学功底的，这无形中提高了机器学习的门槛。但是只是要用它，却并不困难，scikit-learn的出现给程序员带来了福音，极大的降低了机器学习使用的门槛，即使你不求甚解，也能纯熟的使用各种机器学习的算法来完成自己的目标。

1 sklearn介绍

Scikit learn 也简称 sklearn, 是机器学习领域当中最知名的 python 模块之一.
Sklearn 包含了很多种机器学习的方式:

• Classification 分类
• Regression 回归
• Clustering 非监督分类
• Dimensionality reduction 数据降维
• Model Selection 模型选择
• Preprocessing 数据预处理

我们总能够从这些方法中挑选出一个适合于自己问题的, 然后用来解决自己的问题.

scikit-learn官网：
https://scikit-learn.org/

2 一个栗子

我们还是用一个例子来直观感受一下sklearn的用法。

问题：一个分类问题，把下图所展示的红蓝点分开

怎么做呢，几行代码搞定：

from sklearn.linear_model import LogisticRegression   
#初始化模型 
clf_LR = LogisticRegression()     
#训练数据 
clf_LR.fit(features_train,label_train)    
#预测 
label pred_LR = clf_LR.predict(features_test)    
#评估模型 
acc = accuracy_score(pred_LR, label_test)     
得到结果：
0.93200000000000005

我们将结果绘制出来是这样的：

plot_pic(clf_LR, features_test, label_test)

就这么简单的实现了机器学习中逻辑回归分类算法。

3 安装使用

执行安装

p