sklearn常用函数（更新中）

from sklearn.linear_model import LinearRegression     #导入线性回归模型	model = LinearRegression() print(model) LinearRegression(copy_X=True, fit_intercept=True, n_jobs=1, normalize=False)
sklearn模型对象	所有模型提供的接口有: model.fit():训练模型，对于监督模型来说是fit(X,y)，对于非监督模型是fit(X) 监督模型提供的接口有: model.predict(X_new): 预测新样本 model.predict_proba(X_new): 预测概率，仅对某些模型有用(比如LR) model.score(): 得分越高，fit越好 非监督模型提供的接口有: model.transform(): 从数据中学到新的"基空间" model.fit_transform(): 从数据中学到新的基，并将这个数据按照这组"基"进行转换
实例(暂时没看懂)	from sklearn import datasets,svm    #导入数据集和svm模型 iris = datasets.load_iris()    #加载数据集 #print(iris.data) #print(iris.target) print(iris.data.shape)    #查看数据集大小(150, 4) clf = svm.LinearSVC()    #建立线性SVM分类器 clf.fit(iris.data, iris.target)    #用数据训练模型 clf.predict([[5.0, 3.6, 1.3, 0.25]])    #训练好模型后，输入新的数据进行预测 print clf.coef_    #查看训练好的模型的参数