解決機(jī)器學(xué)習(xí)問題，最困難的部分通常是找到合適的算法模型，不同的算法模型適合于不同類數(shù)據(jù)和不同的問題。
scikit-learn提供的主要功能就是主要關(guān)注數(shù)據(jù)建模，而非加載、操作、數(shù)據(jù)統(tǒng)計(jì), 這些任務(wù)有NumPy、Pandas就足夠了。

下圖為用戶的數(shù)據(jù)問題，提供嘗試選擇算法模型的指南。

image.png

原圖并有超鏈接介紹相關(guān)算法

scikit-learn 主要提供了以下功能:

• 測(cè)試數(shù)據(jù)集，sklearn.datasets模塊提供了乳腺癌、kddcup 99、iris、加州房?jī)r(jià)等諸多開源的數(shù)據(jù)集

• 降維(Dimensionality Reduction): 為了特征篩選、統(tǒng)計(jì)可視化來減少屬性的數(shù)量。

• 特征提取(Feature extraction)： 定義文件或者圖片中的屬性。

• 特征篩選(Feature selection)： 為了建立監(jiān)督學(xué)習(xí)模型而識(shí)別出有真實(shí)關(guān)系的屬性。

• 按算法功能分類，分為監(jiān)督學(xué)習(xí)：分類（classification）和回歸（regression），以及非監(jiān)督學(xué)習(xí)：聚類（clustering）。sklearn提供了很全面的算法實(shí)現(xiàn)，詳細(xì)算法清單http://scikit-learn.org/stabl...。

• 聚類(Clustring): 使用KMeans之類的算法，給未標(biāo)記的數(shù)據(jù)分類。

• 交叉驗(yàn)證(Cross Validation): 評(píng)估監(jiān)督學(xué)習(xí)模型的性能。

• 參數(shù)調(diào)優(yōu)(Parameter Tuning): 調(diào)整監(jiān)督學(xué)習(xí)模型的參數(shù)以獲得最大效果。

• 流型計(jì)算(Manifold Learning): 統(tǒng)計(jì)和描繪多維度的數(shù)據(jù)

Scikit-learn進(jìn)行計(jì)算的主要步驟為：

• 數(shù)據(jù)獲取、預(yù)處理。
• 可選的降維過程。如果原始數(shù)據(jù)的維度比較大， 需要先找出真正跟預(yù)測(cè)目標(biāo)相關(guān)的屬性。
• 學(xué)習(xí)以及預(yù)測(cè)的過程。
• 反復(fù)學(xué)習(xí)的過程。通過增加樣本、調(diào)優(yōu)參數(shù)、更換算法等各種方式，提高預(yù)測(cè)的準(zhǔn)確率。

下一篇通過上面介紹的理論處理一個(gè)實(shí)際問題。

參考

Python機(jī)器學(xué)習(xí)工具：Scikit-Learn介紹與實(shí)踐
基于 Python 和 Scikit-Learn 的機(jī)器學(xué)習(xí)介紹