Scikit-Learn 是一个非常棒的 python 库，用于实现机器学习模型和统计建模。通过它，我们不仅可以实现各种回归、分类、聚类的机器学习模型，它还提供了降维、特征选择、特征提取、集成技术和内置数据集的功能。
今天我将详细地介绍一下 Scikit-Learn，相信通过本文你会对它有更深刻的理解与运用，喜欢点赞、收藏、分享。
1、数据集
学习算法时，我们都希望有一些数据集可以练手。Scikit learn 附带一些非常棒的数据集，如iris数据集、房价数据集、糖尿病数据集等。
这些数据集非常容易获取、同时也易于理解，你可以直接在其上实现ML模型，非常适合初学者。
你可以按如下方式即可获取：
import sklearn
from sklearn import datasets
import pandas as pd
dataset = datasets.load_iris()
df = pd.DataFrame(dataset.data, columns=dataset.feature_names)
同样，你可以用同样的方式导入其他数据集。
2、数据拆分
Sklearn 提供了拆分数据集以进行训练和测试的功能。拆分数据集对于预测性能的无偏见评估至关重要，可以定义训练和测试数据集中的数据比例。
我们可以按如下方式拆分数据集：
from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=2, random_state=4)
在 train_test_split 的帮助下，我们对数据集进行了拆分，使得训练集有 80% 的数据和测试集有 20% 的数据。
3、线性回归
当输出变量为连续变量且与因变量呈线性关系时，使用监督机器学习模型，它可以通过分析前几个月的销售数据来预测未来几个月的销售。
借助sklearn，我们可以轻松实现线性回归模型，如下所示：
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score
regression_model = LinearRegression()
regression_model.fit(x_train, y_train)
y_predicted = regression_model.predict(x_test)
rmse = mean_squared_error(y_test, y_predicted)
r2 = r2_score(y_test, y_predicted)
首先 LinerRegression()创建一个线性回归的对象,然后我们在训练集上拟合模型。最后，我们在测试数据集上预测了模型。"rmse"和"r_score"可用于检查模型的准确性。
4、逻辑回归
逻辑回归也是一种监督回归算法，就像线性回归一样。唯一的区别是输出变量是分类的。它可用于预测患者是否患有心脏病。
借助 sklearn，我们可以轻松实现 Logistic 回归模型，如下所示：
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import confusion_matrix
from sklearn.metrics import classification_report
logreg = LogisticRegression()
logreg.fit(x_train, y_train)
y_predicted = logreg.predict(x_test)
confusion_matrix = confusion_matrix(y_test, y_pred)
print(confusion_matrix)
print(classification_report(y_test, y_pred))
混淆矩阵和分类报告用于检查分类模型的准确性。
5、决策树
决策树是一个强大的工具，可用于分类和回归问题。它由根和节点组成，根代表分裂的决定，节点代表输出变量值。当因变量与自变量不遵循线性关系时，决策树很有用。
用于分类的决策树实现
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import confusion_matrix
from sklearn.tree import export_graphviz
from sklearn.externals.six import StringIO
from IPython.display import Image
from pydot import graph_from_dot_data
dt = DecisionTreeClassifier()
dt.fit(x_train, y_train)
dot_data = StringIO()
export_graphviz(dt, out_file=dot_data, feature_names=iris.feature_names)
(graph, ) = graph_from_dot_data(dot_data.getvalue())
y_pred = dt.predict(x_test)
我们使用 DecisionTreeClassifier() 对象拟合模型，并使用进一步的代码来可视化 Python 中的决策树实现。
6、Bagging
Bagging是一种使用训练集中的随机样本训练相同类型的多个模型的技术。不同模型的输入是相互独立的。
对于前一种情况，可以使用多个决策树进行预测，而不仅仅是一个被称为随机森林的决策树。
7、Boosting
Boosting 多个模型的训练方式是，一个模型的输入取决于前一个模型的输出。在 Boosting 中，对预测错误的数据给予更多的优先权。
8、随机森林
随机森林是一种 bagging 技术，它使用成百上千的决策树来构建模型，用于分类和回归问题。比如：贷款申请人分类、识别欺诈活动和预测疾病。
在 python 中实现如下：
from sklearn.ensemble import RandomForestClassifier
num_trees = 100
max_features = 3
clf = RandomForestClassifier(n_estimators=num_trees, max_features=max_features)
clf.fit(x_train,y_train)
y_pred=clf.predict(x_test)
print("Accuracy:",metrics.accuracy_score(y_test, y_pred))
9、XGBoost
XGBoost 是一种提升技术，可提供梯度提升决策树的高性能实现。它可以自行处理丢失的数据，支持正则化并且通常比其他模型给出更准确的结果。
在 python 中实现如下：
from xgboost import XGBClassifier
from sklearn.metrics import mean_squared_error
xgb = XGBClassifier(colsample_bytree = 0.3, learning_rate = 0.1,max_depth = 5, alpha = 10, n_estimators = 10)
xgb.fit(x_train,y_train)
y_pred=xgb.predict(x_test)
rmse = np.sqrt(mean_squared_error(y_test, preds))
print("RMSE: %f" % (rmse))
10、支持向量机（SVM）
SVM是一种监督机器学习算法，通过找到最好的超平面来进行分类，它通常被用于许多应用程序，例如人脸检测、邮件分类等。
在 python 中实现为
from sklearn import svm
from sklearn import metrics
clf = svm.SVC(kernel='linear')
clf.fit(X_train, y_train)
y_pred = clf.predict(X_test)
print("Accuracy:",metrics.accuracy_score(y_test, y_pred))
11、混淆矩阵
混淆矩阵是用于描述分类模型性能的表格。混淆矩阵以如下4项的帮助下进行分析：
这意味着模型预测为正，实际上为正。
这意味着模型预测为负，实际上为负。
这意味着模型预测为正，但实际上为负。
这意味着模型预测为负，但实际上为正。
Python 可以实现
from sklearn.metrics import confusion_matrix
confusion_matrix = confusion_matrix(y_test, y_pred)
print(confusion_matrix)
12、K-均值聚类
K-Means 聚类是一种用于解决分类问题的无监督机器学习算法。无监督算法是数据集中没有标签或输出变量的算法。
在聚类中，数据集根据特征分成不同的组，称为集群。k-means 聚类有很多应用，例如市场分割、文档聚类、图像分割。
它可以在python中实现为：
from sklearn.cluster import KMeans
import statsmodels.api as sm
kmeans = KMeans(3)
means.fit(x)
identified_clusters = kmeans.fit_predict(x)
13、DBSCAN 聚类
DBSCAN 也是一种无监督聚类算法，它根据数据点之间的相似性进行聚类。在 DBSCAN 中，只有当指定半径的簇中的点数最少时，才会形成簇。
DBSCAN 的优势在于它对异常值具有鲁棒性，即它可以自行处理异常值，这与 k 均值聚类不同。DBSCAN 算法用于创建热图、地理空间分析、温度数据中的异常检测。
它可以实现为
from sklearn.cluster import DBSCAN
from sklearn import metrics
from sklearn.preprocessing import StandardScaler
db = DBSCAN(eps=0.3, min_samples=10).fit(X)
core_samples_mask = np.zeros_like(db.labels_, dtype=bool)
core_samples_mask[db.core_sample_indices_] = True
labels = db.labels_
n_clusters_ = len(set(labels)) - (1 if -1 in labels else 0)
print(labels)
14、标准化和规范化
标准化
标准化是一种缩放技术，我们将属性的均值设为 0，将标准差设为 1，从而使值以具有单位标准差的均值为中心。它可以做为 X'= (X-μ)/σ
归一化
归一化是一种使值的范围从 0 到 1 的技术，它也称为最小-最大缩放。归一化可以通过给定的公式 X= (X -Xmin)/(Xmax-Xmin) 来完成。
from sklearn.preprocessing import StandardScaler
from sklearn.preprocessing import MinMaxScaler
Python 提供了 StandardScaler 函数用于实现标准化，MinMaxScaler 函数用于规范化。
15、特征提取
特征提取是从数据中提取特征的方法。如果将数据转换为数字格式，我们只能将数据传递给机器学习模型。Scikit-Learn 提供了将文本和图像转换为数字的功能。
Bag of Words 和 TF-IDF 是 scikit-learn 提供的自然语言处理中最常用的将单词转换为数字的方法。
概括
这篇文章详细地介绍了 scikit-learn 的15个最重要的特性以及 python 代码实现。
参考
https://ml2quantum.com/scikit-learn/
（完）
