三分钟学习一个python小知识7-----------我的对python中Scikit-learn（简称sklearn）的理解, 我列常用的5个例子来理解Scikit-learn

1、Scikit-learn（简称sklearn)是什么

Scikit-learn（简称sklearn）是一个用于机器学习的Python开源库。它建立在NumPy，SciPy和matplotlib之上，提供了许多用于数据预处理、特征提取、模型选择和评估的工具，以及常见机器学习算法的实现。

Scikit-learn的主要特点包括：

1. 简单易用：提供了简洁一致的API，易于上手和使用。
2. 完善的文档和示例：提供了详细的文档和丰富的示例，有助于用户理解和使用各种功能。
3. 多功能：提供了众多的机器学习算法、数据预处理和特征工程方法，可以解决多种类型的问题。
4. 兼容性和可扩展性：可以与其他Python科学计算库很好地集成，也支持自定义扩展。

2. 下面是几个Scikit-learn的常用例子：

2.1. K均值聚类（K-means Clustering）

from sklearn.cluster import KMeans
X = [[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0]]
kmeans = KMeans(n_clusters=2, random_state=0).fit(X)
labels = kmeans.labels_
centroids = kmeans.cluster_centers_

2.2. 决策树分类器（Decision Tree Classifier）

from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
X, y = load_iris(return_X_y=True)
clf = DecisionTreeClassifier()
clf.fit(X, y)
predicted = clf.predict([[5.1, 3.5, 1.4, 0.2]])

2.3. 支持向量机（Support Vector Machines）

from sklearn import svm
X = [[0, 0], [1, 1]]
y = [0, 1]
clf = svm.SVC()
clf.fit(X, y)
predicted = clf.predict([[2., 2.]])

2.4. 逻辑回归（Logistic Regression）

from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
X, y = load_iris(return_X_y=True)
clf = LogisticRegression(random_state=0).fit(X, y)
predicted = clf.predict([[5.1, 3.5, 1.4, 0.2]])

2.5. 主成分分析（Principal Component Analysis）

from sklearn.datasets import load_iris
from sklearn.decomposition import PCA
X, y = load_iris(return_X_y=True)
pca = PCA(n_components=2)
X_transformed = pca.fit_transform(X)