🚀 原文地址：https://scikit-learn.org/stable/getting_started.html

本篇文章主要介绍一下 Scikit-Learn 所提供的一些主要功能，它假定我们已经掌握了机器学习的基础知识，包括模型拟合、预测、交叉验证等。

Scikit-Learn 是一个开源的机器学习库，它支持有监督学习和无监督学习。同时，它还提供了用于模型拟合、数据预处理、模型选择和评估以及其他非常实用的多种工具。

1. 拟合和预测：估算器基础

Scikit-Learn 提供了数十种内置的机器学习算法和模型，称为估算器。每个估算器都可以使用fit方法去拟合一些数据。

下面是一个简单的示例，其中我们使用了一些非常基本的数据来训练RandomForestClassifier：

  1. from sklearn.ensemble import RandomForestClassifier
  3. clf = RandomForestClassifier(random_state=0)
  4. X = [[1, 2, 3],
  5.      [11, 12, 13]]
  6. y = [0, 1]
  7. clf.fit(X, y)

fit方法通常接收 2 个输入：

  • 样本矩阵X：通常大小为(n_samples, n_features)，这意味着一行为一个样本，一列为一个特征。
  • 目标值y：通常为一维数组，该数组中索引值i的值对应样本矩阵X中第i行样本的目标值
    • 对于回归任务而言，y为真实数字；
    • 对于分类任务而言，y为整数（或任何其他离散值）；
    • 对于无监督学习，y则无需指定。

虽然某些估算器可以使用其他格式（例如稀疏矩阵），但通常X和y为 numpy 数组或者等效的类似数组的数据类型。

一旦估算器拟合后，便可以在新数据上进行预测，得出对应的目标值，我们并不需要重新训练估算器：

  1. # 预测训练样本的标签（类别）
  2. clf.predict(X)  # array([0, 1])
  4. # 预测新数据的标签（类别）
  5. clf.predict([[4, 5, 6], [14, 15, 16]])  # array([0, 1])

2. 转换器和预处理器

机器学习的工作流程通常由不同部分所组成，常规的流水线（Pipeline）包含数据预处理（例如数据的转换或插入）以及