数据结构
网络
关系数据库管理系统
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
时尚研究
法律研究解释 Python 中 scikit-learn 库的基础知识？
Scikit-learn，通常称为 sklearn，是 Python 中的一个库，用于实现机器学习算法。
它是一个开源库，因此可以免费使用。功能强大且健壮，因为它提供了各种工具来执行统计建模。这包括分类、回归、聚类、降维等等，借助于 Python 中强大且稳定的接口。该库构建在 Numpy、SciPy 和 Matplotlib 库之上。
可以使用以下所示的“pip”命令安装它：
pip install scikit-learn
该库专注于数据建模。
scikit-learn 中使用了许多模型，其中一些已在下面总结。
监督学习算法
监督学习算法被教导以某种方式行事。将某个期望的输出映射到给定的输入，从而提供人工监督。这可以通过标记特征（输入数据集中存在的变量）、通过向数据提供反馈（算法是否正确预测了输出，如果没有，正确的预测是什么）等等来实现。
一旦算法在这些输入数据上完全训练完成，它就可以被推广到适用于类似类型的数据。如果训练的模型具有良好的性能指标，它将获得预测从未见过输入的结果的能力。这是一种昂贵的学习算法，因为人类需要手动标记输入数据集，从而增加了额外成本。
Sklearn 帮助实现线性回归支持向量机、决策树等。
无监督学习
这与监督学习相反，即输入数据集没有标记，从而表明零人工监督。算法从这些未标记的数据中学习，提取模式，执行预测，深入了解数据并在其自身上执行其他操作。大多数情况下，现实世界中的数据是无结构且未标记的。
Sklearn 帮助实现聚类、因子分析、主成分分析、神经网络等。
聚类
将相似的数据分组到一个结构中，任何噪声（异常值或异常数据）都将落在该聚类之外，之后可以消除或忽略。
交叉验证
它是一个过程，其中原始数据集被分成两部分——“训练数据集”和“测试数据集”。当使用交叉验证时，消除了“验证数据集”的需要。“交叉验证”方法有很多变体。最常用的交叉验证方法是“k”折交叉验证。
降维
降维说明了用于减少数据集中特征数量的技术。如果数据集中特征数量较多，则通常难以对算法进行建模。如果输入数据集具有过多的变量，则机器学习算法的性能可能会大幅下降。
在特征空间中具有大量维度需要大量的内存，这意味着并非所有数据都可以在空间（数据行）上得到恰当的表示。这意味着机器学习算法的性能将受到影响，这也被称为“维度灾难”。因此建议减少数据集中输入特征的数量。因此得名“降维”。
287 次查看
