对sklearn的初步了解
sklearn库
文章目录
- sklearn库
-
- 一.介绍
- 二.模块使用大致介绍
-
- 2.1 分类
- 2.2 回归
- 2.3 聚类
- 2.4 降维
- 2.5 模型选择
- 2.6 预处理
- 2.7 数据集
- 三. 小例子
一.介绍
skearn库是python中用于机器学习的一个学习工具，它建立在numpy，pandas，matplotlib之上，对常用的机器学习进行封装，包括回归，降维，分类，聚类等方法。
二.模块使用大致介绍
在 Sklearn 里面有六大任务模块：分别是分类、回归、聚类、降维、模型选择和预处理.
要使用上述六大模块的方法，可以用以下的伪代码，注意 import 后面我用的都是一些通用名称，如 SomeClassifier, SomeRegressor, SomeModel，具体化的名称由具体问题而定，比如
- SomeClassifier = RandomForestClassifier
- SomeRegressor = LinearRegression
- SomeModel = KMeans, PCA
- SomeModel = GridSearchCV, OneHotEncoder
2.1 分类
from sklearn import SomeClassifier
from sklearn.linear_model import SomeClassifier
from sklearn.ensemble import SomeClassifier
2.2 回归
from sklearn import SomeRegressor
from sklearn.linear_model import SomeRegressor
from sklearn.ensemble import SomeRegressor
2.3 聚类
from sklearn.cluster import SomeModel
2.4 降维
from sklearn.decomposition import SomeModel
2.5 模型选择
from sklearn.model_selection import SomeModel
2.6 预处理
from sklearn.preprocessing import SomeModel
2.7 数据集
Sklearn 里面还有很多自带数据集供，引入它们的伪代码如下
from sklearn.datasets import SomeData
三. 小例子
from sklearn import datasets
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt
#使用以后的数据集进行线性回归（这里是波士顿房价数据）
loaded_data=datasets.load_boston()
data_X=loaded_data.data
data_y=loaded_data.target
model=LinearRegression()
model.fit(data_X,data_y)
print(model.predict(data_X[:4,:]))
print(data_y[:4])
#使用生成线性回归的数据集，最后的数据集结果用散点图表示
X,y=datasets.make_regression(n_samples=100,n_features=1,n_targets=1,noise=10) #n_samples表示样本数目，n_features特征的数目 n_tragets noise噪音
plt.scatter(X,y)
plt.show()