【1】简介--2--sklearn简介

一、Python Scikit-learn

• http://scikit-learn.org/stable/ • Machine Leaning in Python
• 一组简单有效的工具集
• 依赖Python的NumPy，SciPy和matplotlib库 • 开源、可复用

Scikit-learn 常用函数

二、sklearn依赖的库

sklearn是scikit-learn的简称，是一个基于Python的第三方模块。 sklearn库集成了一些常用的机器学习方法，在进行机器学习任务时， 并不需要实现算法，只需要简单的调用sklearn库中提供的模块就能 完成大多数的机器学习任务。

sklearn库是在Numpy、Scipy和matplotlib的基础上开发而成的， 因此在介绍sklearn的安装前，需要先安装这些依赖库

Numpy(Numerical Python的缩写)是一个开源的Python科学计算库。在 Python中虽然提供了list容器和array模块，但这些结构并不适合于进行数值计算， 因此需要借助于Numpy库创建常用的数据结构(如:多维数组，矩阵等)以及进 行常用的科学计算(如:矩阵运算)。

Scipy库是sklearn库的基础，它是基于Numpy的一个集成了多种数学算法和函 数的Python模块。它的不同子模块有不同的应用，如:积分、插值、优化和信号 处理等。

matplotlib是基于Numpy的一套Python工具包，它提供了大量的数据绘图工 具，主要用于绘制一些统计图形，将大量的数据转换成更加容易被接受的图表。 (注意要先安装numpy再安装matplotlib库)

三、sklearn库的安装

下载地址:http://www.lfd.uci.edu/~gohlke/pythonlibs/#

安装顺序如下:

1. Numpy库
2. Scipy库
3. matplotlib库
4. sklearn库

mac下:

方法一：（不建议）

pip install numpy
pip install Scipy
pip install matplotlib
pip install sklearn

方法二（conda，建议）：

conda install scikit-learn

To upgrade scikit-learn:
conda update scikit-learn

To uninstall scikit-learn:
conda remove scikit-learn

启动

source /Users/tanqianshan/miniconda2/bin/activate /Users/tanqianshan/miniconda2/conda-meta

四、sklearn库中的标准数据集

1.波士顿房价数据集

波士顿房价数据集包含506组数据，每条数据包含房屋以及房屋 周围的详细信息。其中包括城镇犯罪率、一氧化氮浓度、住宅平均房 间数、到中心区域的加权距离以及自住房平均房价等。因此，波士顿 房价数据集能够应用到回归问题上。

波士顿房价数据集-属性描述

CRIM:城镇人均犯罪率。
ZN:住宅用地超过 25000 sq.ft. 的比例。
INDUS:城镇非零售商用土地的比例。
CHAS:查理斯河空变量(如果边界是河流，则为1;否则为0)
NOX:一氧化氮浓度。
RM:住宅平均房间数。
AGE:1940 年之前建成的自用房屋比例。
DIS:到波士顿五个中心区域的加权距离。
RAD:辐射性公路的接近指数。
TAX:每 10000 美元的全值财产税率。
PTRATIO:城镇师生比例。
B:1000(Bk-0.63)^ 2，其中 Bk 指代城镇中黑人的比例。
LSTAT:人口中地位低下者的比例。
MEDV:自住房的平均房价，以千美元计。

使用sklearn.datasets.load_boston即可加载相关数据集

其重要参数为:

• return_X_y:表示是否返回target(即价格)，默认为False， 只返回data(即属性)。

示例2:

 >>> from sklearn.datasets import load_boston
 >>> data, target = load_boston(return_X_y=True)
 >>> print(data.shape)
 (506, 13)
 >>> print(target.shape)
 (506)

>>> from sklearn.datasets import load_boston >>> boston = load_boston()
 >>> print(boston.data.shape)
 (506, 13)

2.鸢尾花数据集

鸢尾花数据集采集的是鸢尾花的测量数据以及其所属的类别。 测量数据包括:萼片长度、萼片 宽度、花瓣长度、花瓣宽度。 类别共分为三类:Iris Setosa， Iris Versicolour，Iris Virginica。该 数据集可用于多分类问题。

使用sklearn.datasets. load_iris即可加载相关数据集 其参数有:

• return_X_y:若为True，则以(data, target)形式返回数 据;默认为False，表示以字典形式返回数据全部信息(包括 data和target)。

>>> from sklearn.datasets import load_iris >>> iris = load_iris()
 >>> print(iris.data.shape)
 (150, 4)
 >>> print(iris.target.shape)
 (150, )
 >>> list(iris.target_names) ['setosa', 'versicolor', 'virginica']

3.手写数字数据集

手写数字数据集包括1797个0-9的手写数字数据，每个数字由8*8 大小的矩阵构成，矩阵中值的范围是0-16，代表颜色的深度。 使用sklearn.datasets.load_digits即可加载相关数据集 其参数包括:

• return_X_y:若为True，则以(data, target)形式返回 数据;默认为False，表示以字典形式返回数据全部信息 (包括data和target) ;

• n_class:表示返回数据的类别数，如:n_class=5,则返 回0到4的数据样本。

>>> from sklearn.datasets import load_digits >>> digits = load_digits()
 >>> print(digits.data.shape)
 (1797, 64)
 >>> print(digits.target.shape) (1797, )
 >>> print(digits.images.shape) (1797, 8, 8)
 >>> import matplotlib.pyplot as plt
 >>> plt.matshow(digits.images[0])
 >>> plt.show()

五、sklearn库的基本功能

sklearn库的共分为6大部分，分别用于完成分类任务、回归任务、 聚类任务、降维任务、模型选择以及数据的预处理。

1.分类任务

2.回归任务

3.聚类任务

4.降维任务

参考资料：

北京理工大学 礼欣 www.python123.org