有关Scikit-learn的学习资源

官方网址：https://scikit-learn.org
基础介绍：https://zhuanlan.zhihu.com/p/67307930
scikit-learn应该如何学习:https://www.zhihu.com/question/295048467/answer/950651660?utm_source=zhihu
机器学习、深度学习、数据分析相关书籍分享：https://zhuanlan.zhihu.com/p/77964006

Scikit-learn简介

Scikit-learn（以前称为scikits.learn，也称为sklearn）是针对Python 编程语言的免费软件机器学习库 ^[1] 。它具有各种分类，回归和聚类算法，包括支持向量机，随机森林，梯度提升，k均值和DBSCAN，并且旨在与Python数值科学图书馆NumPy和SciPy。

应用层面

Scikit-learn主要是用Python编写的，并且广泛使用numpy进行高性能的线性代数和数组运算。此外，用Cython编写了一些核心算法来提高性能。支持向量机由围绕LIBSVM的Cython包装器实现 ; 逻辑回归和线性支持向量机的相似包装围绕LIBLINEAR。在这种情况下，可能无法使用Python扩展这些方法。
Scikit-learn与许多其他Python库很好地集成在一起，例如matplotlib和plotly用于绘图，numpy用于数组矢量化，pandas数据帧，scipy等。

Scikit-learn 基础

以下目录是Scikit-learn可以实现的基础功能，具体内容可以查看：Scikit-learn应该如何学习:https://www.zhihu.com/question/295048467/answer/950651660?utm_source=zhihu

• 1 Scikit-learn 介绍

• 1.1 分类
• 1.2 回归
• 1.3 聚类
• 1.4 降维
• 1.5 模型选择
• 1.6 预处理

• 2 Scikit-learn 机器学习步骤

• 2.1 导入常用库
• 2.2 加载数据
• 2.3 划分训练集与测试集
• 2.4 数据预处理
  2.4.1 标准化
  2.4.2 归一化
  2.4.3 二值化
  2.4.4 编码分类特征
  2.4.5 输入缺失值
  2.4.6 生成多项式特征
• 2.5 创建模型估计器
  2.5.1 监督学习
  2.5.2 无监督学习
• 2.6 拟合数据
  2.6.1 监督学习
  2.6.2 无监督学习
• 2.7 预测
  2.7.1 监督学习
  2.7.2 无监督学习
• 2.8 评估模型性能
  2.8.1 分类指标
  2.8.2 回归指标
  2.8.3 群集指标
  2.8.4 交叉验证
• 2.9 模型调整
  2.9.1 网格搜索
  2.9.2 随机参数优化