sklearn框架介绍

sklearn与经典机器学习算法

在学习的过程中，除了需要深入理解底层原理时，其实就需要避免重复的造轮子的过程，Python的强大的库就是一个非常好玩的功能

既能避免重复造轮子，还能快速的调用对应的api来使用功能

在机器学习领域的scikit-learn是一个非常常用的机器学习框架，我们将使用sklearn来说实现经典的机器学习算法

sklearn是一款07年至今的机器学习开源项目，基于NumPy和SciPy，提供了很多用于数据挖掘和分析的工具和接口

sklearn主打一个只做机器学习，不轻易支持新的算法，他的好处就是非常稳定

我们可以用几行代码就完成机器学习的七个步骤

读取数据并进行预处理，归一化、标准化、正则化等内容

数据随机分割成三组，训练集、验证集（可以没有）、测试集

针对选取好的特征，使用训练数据来构建模型，拟合数据，寻找最优的模型参数

这里的拟合数据主要是使用各种机器学习算法来学习数据中的特征，拟合出损失函数最小的参数

接入验证集给模型，我们将模型在验证集上的表现作为参数优化和选择的依据，常用的方法有Holdout验证，留一验证等

评估模型的泛化性能

需要说明的是，验证集和测试集合分开是有一定必要的，主要是因为经过多轮测试集的调整，测试集也会变为训练集，从而产生过拟合的现象，因此测试集一般也不参与模型优化

当我们的模型通过测试时，投入使用，其实在这个过程中也是不断训练的过程，收集更全面的数据，使用不同的特征，调整参数来优化模型

sklearn的功能主要分六部分：分类、回归、聚类、数据降维、模型选择、数据预处理、

如果只是定性的预测，也就是预测结果是一个离散值，就可以称之为分类，sklearn已经实现的经典分类算法包括：支持向量机、最邻近算法、Logistic回归、随机森林、决策树、多层感知器等

如果是定量的预测，也就是预测结果是连续值，就称之为回归，比如预测房价，股票等。经典回归算法有：线性回归、支持向量回归、岭回归、Lasso回归、贝叶斯回归等

聚类是将相似的对象进行分组，跟分类有一点像。常见的算法有：k均值聚类、谱聚类、均值漂移等。这种算法一般用在客户细分、实验结果分组、数据压缩

数据降维主要是用于减少随机变量的数量。常见的算法有：主成分分析、特征选择、非负矩阵分解等。一般用于数据压缩、模型优化

模型选择就是用于评估和验证模型了，对模型的参数进行选择与平衡。sklearn有很多模块可以实现功能，包括模型度量、网格搜索、交叉验证。主要是用于调整模型参数来提高模型性能

数据预处理就是把输入的数据转换为机器学习算法适用的数据，文本、图像等内容，主要就是包括数据特征的抽取和归一化，常用的模块是数据预处理，特征抽取等

我们这里只是做一个非常简略的介绍，具体使用方法还是需要参考官方文档，可以通过pip3命令安装sklearn

shell 复制代码

pip3 install scikit-learn

目前的规划是，接下来我们会逐步学习并使用一些常见的机器学习算法，线性回归、k-临近算法、Logistic回归、神经网络学习算法、k均值聚类，然后我们再学习机器学习的一个分支------深度学习，同样也是通过样例来实践