Scikit-Learn是Python環(huán)境下的機(jī)器學(xué)習(xí)工具包雾叭，可以對數(shù)據(jù)進(jìn)行預(yù)處理账胧，可以處理不同規(guī)模的分類竞慢、回歸、聚類等問題治泥。
一般會(huì)使用pandas梗顺，NumPy、Scipy车摄、Matplotlib等經(jīng)典庫來配合Scikit-Learn進(jìn)行數(shù)據(jù)挖掘和建模，各個(gè)庫的作用不用多說，都可以不同程度的減少工作量吮播，尤其pandas最為重要变屁，工具性的東西都應(yīng)該熟練掌握，下面也會(huì)配合簡單的實(shí)例來具體說明意狠。
本篇簡要介紹下工具箱基本情況粟关，其實(shí)應(yīng)用很簡單，原理上的理解需要下功夫环戈，主要模型原理的推導(dǎo)和調(diào)優(yōu)推薦斯坦福NG的課程闷板，先定個(gè)小目標(biāo)，比如說把視頻過兩遍院塞，并親自推導(dǎo)一下遮晚。
- 環(huán)境的搭建
既然前面已經(jīng)安裝pandas、NumPy拦止，那么可以直接pip install sklearn即可县遣，依賴的庫也會(huì)一同安裝，如果甚至Python環(huán)境都沒有安裝汹族，或者在意Python版本的萧求，可以安裝Anaconda，它相當(dāng)于以上庫的整合顶瞒，同時(shí)也自帶Python和IPython notebook夸政，專門用來做數(shù)據(jù)挖掘，window平臺(tái)已安裝榴徐，不會(huì)影響已有的Python環(huán)境守问。
下面介紹如何用Scikit-Learn來建模
建模的過程很簡單，其實(shí)沒必要急于建模箕速，建模之前需要把數(shù)據(jù)準(zhǔn)備好酪碘。
1. 選擇合適的數(shù)據(jù)集
sklearn.datasets包里已經(jīng)準(zhǔn)備了一些常用的數(shù)據(jù)集，包括分類或者聚類常用到的鳶尾花數(shù)據(jù)集盐茎，都可以拿來做簡單的實(shí)驗(yàn)
from sklearn import datasets
datasets.load*?
datasets.load_boston
datasets.load_breast_cancer
datasets.load_diabetes
datasets.load_digits
datasets.load_files
datasets.load_iris
datasets.load_lfw_pairs
datasets.load_lfw_people
datasets.load_linnerud
datasets.load_mlcomp
datasets.load_sample_image
datasets.load_sample_images
datasets.load_svmlight_file
datasets.load_svmlight_files
2. 數(shù)據(jù)的預(yù)處理
不要小看這個(gè)步驟兴垦，數(shù)據(jù)預(yù)處理可以直接影響到模型，盡管調(diào)參也很重要字柠，可數(shù)據(jù)都不是高質(zhì)量的探越，模型或參數(shù)又有何評估意義呢，因此窑业，必須保證輸入足夠精確钦幔，才能確保模型的完備。
對于爬到的數(shù)據(jù)或者從別的地方導(dǎo)下來的數(shù)據(jù)常柄，往往需要清洗鲤氢，最常見的是缺失值搀擂，可以用pandas來填充有意義的值進(jìn)去，如果存在較少的異常值卷玉，可以用插值哨颂，SciPy庫提供了不同的插值算法。
如果特征數(shù)據(jù)之間的量級跨度較大相种，數(shù)據(jù)規(guī)范化也是必不可少的威恼，使所有數(shù)據(jù)都在一個(gè)量綱上，這樣可以保證模型參數(shù)的精確性寝并。常用的規(guī)范化主要有兩個(gè)箫措，min-max規(guī)范化和均值規(guī)范化。
可以用pandas來做簡單的處理衬潦，將以下公式定義為匿名函數(shù)斤蔓，配合DataFrame.apply()來完成
x_std = (x - x.min()) / (x.max() - x.min())
x_std = (x - x.mean()) / x.std()
sklearn庫也有集成好的規(guī)范化方法，例如StandardScaler别渔，與以上方法不同的是附迷，它是以訓(xùn)練的方式將特征值進(jìn)行轉(zhuǎn)換，最終服從高斯分布哎媚，再將模型應(yīng)用于測試集喇伯，使數(shù)據(jù)集達(dá)到高度的規(guī)范化。
3. 模型的選擇
模型的選擇視情況而定拨与，首先要去了解基本模型的原理稻据，包括核心公式的推導(dǎo)過程、模型的優(yōu)化過程买喧、適用的場景以及收斂的效率捻悯，以下兩張圖是別人總結(jié)的，這里借鑒一下
4. 建模
在選取好合適的模型后淤毛，我們用訓(xùn)練集來建模今缚，以邏輯斯諦回歸為例
# 構(gòu)造一個(gè)默認(rèn)參數(shù)的模型
model = LogisticRegression()
# 對模型進(jìn)行訓(xùn)練
# 有監(jiān)督學(xué)習(xí)記得加上label
model.fit(X_train, Y_train)
# 模型預(yù)測
# 預(yù)測得到測試集label
model.predict(X_test)
# 預(yù)測得到測試集到各個(gè)分類的概率值(相加為1)
model.predict_proba(X_test)
5. 模型評估
# 返回各個(gè)分類的精確率、召回率以及F1值
print(classification_report(Y_test, model.predict(X_test)))
此外低淡，我們對模型的評估姓言，也要了解混淆矩陣，mAP指標(biāo)蔗蹋，Precesion和Recall指標(biāo)的關(guān)系何荚，即PR關(guān)系圖的繪制。
