sklearn调包侠之无敌小抄

scikit-learn（以下简称为sklearn）是用Python开发的机器学习库，其中包含大量机器学习算法、数据集，是数据挖掘方便的工具。本教程参考《Python机器学习及实战》、《scikit-learn机器学习》和sklearn的官方文档，详细讲解如何使用sklearn实现机器学习算法。首先，依旧讲讲写本系列教程的原因：第一，相比于直接编写各种算法，sklearn简单容易上手；第二，参考书籍有些部分讲解不细致，sklearn版本的更新，官方文档虽然齐全，但是是英文等等，希望通过编写这个教程，可以让读者轻松上手机器学习；第三，依旧是本人的学习记录过程。

本系列教程特点：

• 好学易用
• 案例实操多

哪些读者可以使用：

• 了解机器学习的基本术语
• 会Python语言
• 会numpy和pandas库的使用

sklearn小抄

在愉悦的做一个调包侠之前，老衲给予施主一份绝世宝典（sklearn小抄），之后你的任督二脉将会打开，在sklearn调包的路上所向披靡。首先上宝典，高清pdf请前往此处下载：
（链接：https://pan.baidu.com/s/12c0CIP6c6rgc4Y5zEnUJxA 密码：13au）。

数据导入

sklearn支持的数据格式有numpy数组和pandas的DataFrame格式，当然，sklearn也提供了一些数据集，通过下面代码可以导入数据集（具体数据集见后文）。

from sklearn import datasets

数据预处理

“garbage in garbage out”，一个好的模型很大程度上基于一个干净有效的源数据，所以在训练模型之前，需要针对已有数据进行清洗和处理。数据预处理的方法有很多：数据的缺失值清洗；数据标准化/中心化/归一化；哑编码；生成多项式特征等等，这个需要根据具体的数据进行相对应的处理。

模型选择

针对不同的问题需要选择不同的模型，有label标签且为离散值的为分类，有label标签且为连续值的是回归，无label的就要用无监督的方法了。但针对某个特定问题，如何选择算法了，可以看下图。
但很不幸的是：“没有免费的午餐定理”告诉我们，脱离具体问题去讨论选择什么算法更好是毫无意义的，在现实建模中，我们通过多个模型比较评估结果来选择最终模型。

模型训练

在模型训练前，需要将数据集切分为训练集和测试集（73开或者其它）。sklearn训练模型很简单，在具体实例中讲解。

模型测试

针对不同类模型，模型的评价指标都不同，具体可看小抄和sklearn.metrics模块。在模型测试中，我们常常使用交叉验证的方法。

模型优化

模型一般都是有很多参数的，如何选择最优的参数，可使用网格搜索和随机参数优化。

tips

针对各个过程的详细介绍，会在具体案例中讲解。