简介：作为数据分析师，当我第一次接触到三个剑客（numpy，pandas，matplotlib）的数据分析时，我觉得每个库的功能都非常复杂，因此几乎澄清了每个模块的功能后，它是一个接一个地启动的。各个教程（文本末尾的链接）；后来，在与机器学习库Sklearn联系后，我发现三只剑客不过是这样。比较发现，无论是模块的大小还是功能段的大小，Pyspark再次完成了Sklearn。最近，我逐渐进入了深度学习（Tensorflow框架），最后意识到Python数据科学库不是最大的，只有更大...
鉴于机器学习本身的强大理论以及Sklearn库的强大API函数，自然而然地不总结一个教程。因此，这一次，只有它们的子模块被梳理和介绍，以便它们以便它们可以通过本文快速通过Sklearn建立宏观框架。
Sklearn是Scikit-Learn，是Python的机器学习库。它基于数据科学软件包，例如numpy，scipy，matplotlib等。，非常强大。Sklearn版本的当前版本是0.23.在Pytorch，Tensorflow和其他框架中，Sklearn是Python传统机器学习的首选，也没有其他竞争对手。
本文将围绕以下图中的主要意见进行介绍。
通常使用模块的Sklearn列表
Sklearn为初学者提供了一些经典数据集，这些数据集可以快速构建机器学习任务，并通过这些数据集比较模型性能。数据集主要基于两个经典任务的分类和回归。对于不同的需求，常用的数据集如下：
值得指出的是，除了负载系列经典数据集外，Sklearn还支持自定义数据集Make Make系列和下载数据集Fead系列（加载系列要安装Sklearn库，还需要添加fetch），这是更多）更多。学习任务方案提供了便利。
Sklearn中的每个模型都有标准化的数据输入和输出格式。通常，np.aray和pd.dataframe是标准格式，因此某些字符串的离散标签不能直接用于模型训练。在相同的时间表确保培训准确性时，通常会准备数据。例如，当训练被用作测量时，必须考虑除臭问题。为此，Sklearn提供了一些常用的数据预处理功能，并且常用的包括：
机器学习中有一条经典的行：数据和功能决定了学习的上限，模型和算法只是接近此上限。可以看出，功能工程在机器学习中的重要性。从总的来说，传统机器学习中的特征项目主要包括需求的两个方面：
这是几种功能选择方法的简要介绍：
模型选择是机器学习的重要组成部分。涉及的操作包括数据集切割，参数调整和验证。相应常用的功能包括：
不同的测量指标可以学习不同的最佳模型。对于不同类型的任务，Sklearn提供了各种测量指标，包括：
在维度期间，这也是一种无监督的学习。当特征维度太大时，可以通过矩阵的QR降低，以减少原始信息尽可能保留时的尺寸。它通常用于图像数据预处理，并且减小尺寸后尺寸降低的特征。与原始特征没有直接连接，因此不再解释模型训练。
经典是一项典型的无监督学习任务，但它在实际应用中也是一个更普遍的要求。没有提供样本的真实标签，样本是基于某些功能来收集样品的。三种主要类型：
分类和回归任务是机器学习中的经典场景，属于监督和学习。经典学习算法主要包括5种类型：
除了用于分类任务的简单性贝叶斯外，其他四个模型都是可以分类或返回的五个模型。
当难以满足需求的基本学习模型的表现时，集成学习就会变得成立。顾名思义，学习整合了多个基础学习设备的结果以收集最终结果。学习主要包括3个流：
Sklearn中常用模块的上述大致简短介绍，基本上涵盖了常用的模型和辅助功能，这足以让Sklearn开始。。当然，更多的深度学习仍需要咨询特殊教程。
原始：https：//juejin.cn/post/7096858464974012452