本篇介绍了Sklearn机器学习基础，从Sklearn的简介，模块以及与tensorflow的优劣势对比来了解基于Python语言的机器学习工具。

01、Sklearn简介

sklearn（scikit-learn）是Python重要的学习库，它封装了机器学习中常用的算法，包括监督学习、非监督学习等，包括分类、回归、降维和聚类四大机器学习算法，还包含特征提取、数据处理和模型评估三大模块。

sklearn建立在NumPy和matplotlib库的基础上。利用这几大模块的优势，可以大大提高机器学习的效率。

sklearn拥有着完善的文档，上手容易，具有着丰富的API，在学术界颇受欢迎。

sklearn已经封装了大量的机器学习算法，可以简单高效的数据挖掘和数据分析。

sklearn可供大家使用，可在各种环境中重复使用。

sklearn开放源码，可商业使用 - BSD license。

这样子，就给了我们无限的想像。

sklearn工具功能强大，我们可以从这些方法中挑选适合自己问题是我，去解决自己的问题。

02、Sklearn中常用模块

sklearn中常用的模块有分类、回归、聚类、降维、模型选择、预处理。

具体介绍下图所示：

分类 (Classification)

from sklearn import SomeClassifier

from sklearn.linear_model importSomeClassifier

from sklearn.ensemble import SomeClassifier

回归 (Regression)

from sklearn import SomeRegressor

from sklearn.linear_model import SomeRegressor

from sklearn.ensemble import SomeRegressor

聚类 (Clustering)

from sklearn.cluster import SomeModel

降维 (Dimensionality Reduction)

from sklearn.decomposition import SomeModel

模型选择 (Model Selection)

from sklearn.model_selection import SomeModel

预处理 (Preprocessing)

from sklearn.preprocessing import SomeModel

03、sklearn与tensorflow优劣势

很多同学会问，这两个有什么区别，我想，可以从以下这方面来做对比：

1、面对项目的不同，sklearn更适合中小型，特别是数据量不大的项目，此时更需要手动者对数据进行处理，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的应用领域上，往往更加注重数据量较大，一般情况下需要GPU进行加速运算。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。

2、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，不做累赘描述。

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

4、特征工程上，sklearn提供了例如维度压缩、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需要使用者自行对数据进行数据处理，例如进行特征选择，维度压缩，转换格式等，但是tf可以在开始进行数据训练的过程中，自行从数据中提取有效的特征，从而减少人为的干预。

机器学习的基本方法为：获取数据 -> 数据预处理 -> 训练建模 -> 模型评估 -> 预测（分类）。

1、获取数据与数据预处理

scikit-learn提供了一些标准数据集，例如用于分类的iris和digits数据集和波士顿房价回归数据集。在下文中，我们从我们的shell启动一个Python解释器，然后加载iris和digits数据集。使用的工具是jupyter，单步调试利器，建议大家练习时优先考虑该工具。

数据集形式根据问题实际情况，有不同的形式，比如文本挖掘常用.txt格式数据集，图像处理常.png，分类常数字。是一个类似字典的对象，它保存有关数据的所有数据和一些元数据。该数据存储在 .data 成员中，它是n_samples, n_features数组。在监督问题的情况下，一个或多个响应变量存储在 .target 成员中。例如，在数字数据集的情况下，digits.data 使我们能够得到一些用于分类的样本特征，

而数据的标签（digits.target ）表示了数据集内每个数字的真实类别，也就是我们期望从每个手写数字图像中学得的相应的数字标记。

2、训练模型

在数字数据集的情况下，任务是给出图像来预测其表示的数字。我们给出了10个可能类（数字 0 到 9）中的每一个的样本，我们在这些类上拟合一个估计器，以便能够预测未知的样本所属的类。

在scikit-learn中，分类的估计器是一个Python 对象，它实现了fit(X, y)和predict(T) 等方法。

估计器的一个例子类sklearn.svm.SVC ，实现了支持向量分类。估计器的构造函数以相应模型的参数为参数，但目前我们将把估计器视为黑箱即可；

3、模型预测与评估

通过数据和模型，下面要做的就是使用模型来处理数据。

在下面的代码中，我们把我们的估计器实例命名为clf ，因为它是一个分类器（classifier）。它现在必须拟合模型，也就是说，它必须从模型中 learn（学习）。这是通过将我们的训练集传递给fit方法来完成的。作为一个训练集，让我们使用数据集中除最后一张以外的所有图像。 我们用 [:-1] ，这个Python 语法选择这个训练集，它产生一个包含 digits.data 中除最后一个条目（entry）之外的所有条目的新数组。

由此可看出，模型的最终参数是有多个参数共同确定，但实际情况往往只关注只要参数，也就是，控制变量法，因为，机器学习学习是一个逼近全局最优过程，性能没有最好，只有更好，所以为节省训练时间，多关注主要参数。

4、预测

现在你可以预测新的值，特别是我们可以向分类器询问 digits 数据集中最后一个图像（没有用来训练的一条实例）的数字是什么。