sklearn入门

刚刚使用SKLearn学习机器学习进行数据分析，分享一些概念和想法，希望可以大家一起讨论，如果理解或者表达有不准确的地方，请多多指点，不吝赐教，非常感谢～～

** 上一次总结的是《机器学习概述》:https://mp.csdn.net/mdeditor/98843972#
** 下一次会总结《决策树和随机森林》

---

• sklearn是什么？

全称为scikit-learn，是一个开源的基于python语言的机器学习工具包。它通过NumPy, SciPy和Matplotlib等python数值计算的库实现高效的算法应用，并且涵盖了几乎所有主流机器学习算法。官网：http://scikit-learn.org/stable/index.html

• sklearn的基本建模流程

无论对数据集采用何种算法又如何划分，sklearn的建模流程只有三步，分别是：

1. 模型实例化：需要传入具体的参数，来建立模型的具体实例对象
2. 通过模型接口，训练模型：需要传入样本的训练集，所以还要提前对样本划分
3. 通过模型的接口查看结果，提取需要的信息

举例代码如下：

from sklearn import tree 						#导入需要的模块

clf = tree.DecisionTreeClassifier()     		#实例化
clf = clf.fit(X_train,y_train) 					#用训练集数据训练模型
result = clf.score(X_test,y_test) 				#导入测试集，从接口中调用需要的信息