机器学习实战-sklearn引见

最近几年，机器学习算是很火的一个方向，但是有一点成绩，这个方向需求研讨生毕业的的敲门砖，但是假如本人想学，又不知道从何动手？

从本篇末尾，将会给各位看官引见怎样动手这个东西，并且怎样去运用。

文章结构

什么是sklearn sklearn与tensorflow优优势 机器学习有几种方式 运用范畴有哪些

什么是sklearn

Sklearn原称是Scikit learn，是机器学习范畴中最知名的python模块之一，是基于Python言语的机器学习的工具。他次要建立在NumPy，SciPy，matplotlib之上，提供简单高效，用于数据发掘，数据分析等的工具，最重要的是，他是开源的，基于BSD答应证，可以商业运用。这样子，就给了我们有限的想像。

sklearn与tensorflow优优势

目前，在社区中，tensorflow会比较火，很多同窗会问，为什么不用tensorflow，这两个有什么区别，我想，次要从以下这方面来做对比

1、sklearn次要定位是一种通用的机器学习的学习库，tf次要定位还是深度学习。

2、特征工程上，sklearn提供了例如维度紧缩、特征选择等，但是这样子并不代表这tf就比sklearn弱。在传统的机器学习中，sklearn需求运用者自行对数据停止数据处理，例如停止特征选择，维度紧缩，转换格式等，但是tf可以在末尾停止数据训练的过程中，自行从数据中提取有效的特征，从而减少人为的干涉。

3、易用性及封装度上，sklearn更高，这点上，我想很多用过的人都清楚，不做负担描画。

4、面对项目的不同，sklearn更合适中小型，特别是数据量不大的项目，此时更需求手动者对数据停止处理，并且选择合适模型的项目，这些计算是可以在CPU直接计算的，没有什么硬件要求。相对的，tf的运用范畴上，往往愈加注重数据量较大，普通状况下需求GPU停止加速运算。目前很多公司并没有很大量的数据，在选择上，可以作为参考。

机器学习有几种方式

针对sklearn来讲，常常用到的次要有：数据预处理、分类、回归、分监督分类（聚类），模型选择，数据降维

运用范畴有哪些

目前，sklearn在运用中，次要有四类算法：聚类，分类，回归，降维

聚类：即非监督学习的方式，例如我有一堆人，这堆数据是没有男孩或者女孩这些标签的，此时我需求给这堆数据停止聚类，根据一些身体特征，分成两类，并标记为男孩，女孩。

分类/回归：监督学习的方式，还是那堆人，但是曾经分好类了，男孩，女孩，此时来了一个新人，我根据这个新人的特征，给他归类。

降维：假如按照字面意思来了解，那就有成绩，当数据集有很多属性的时分，我们此时需求把100个属性变成10个，并不是挑出10个，而是紧缩成10个，这10个属性，就集合了100个属性特征，简单了解，就是重要的特征就拿起来，不重要的就吸收了。

至此结束，在下一章节中，我们将会引见怎样来开发一个机器学习运用。

--END--

作者：溪云阁

原创作品，抄袭必究。

部分图片来源网络，如侵权请联络删除，谢谢！

占坑编辑ing

顶

一点毛病没有，顶你