登录 |  注册 |  繁體中文


sklearn常用方法总结

分类: 人工智能&大数据 颜色:橙色 默认  字号: 阅读(11) | 评论(0)

  sklearn是python的重要机器学习库,其中封装了大量的机器学习算法,如:分类、回归、降维以及聚类;还包含了监督学习、非监督学习、数据变换三大模块。sklearn拥有完善的文档,使得它具有了上手容易的优势;并它内置了大量的数据集,节省了获取和整理数据集的时间。因而,使其成为了广泛应用的重要的机器学习库。下面简单介绍一下sklearn下的常用方法。

1. 监督学习

sklearn.neighbors #近邻算法
sklearn.svm #支持向量机
sklearn.kernel_ridge #核-岭回归
sklearn.discriminant_analysis #判别分析
sklearn.linear_model #广义线性模型

sklearn.ensemble #集成学习
sklearn.tree #决策树
sklearn.naive_bayes #朴素贝叶斯
sklearn.cross_decomposition #交叉分解
sklearn.gaussian_process #高斯过程

sklearn.neural_network #神经网络
sklearn.calibration #概率校准
sklearn.isotonic #保守回归
sklearn.feature_selection #特征选择
sklearn.multiclass #多类多标签算法

2. 无监督学习

sklearn.decomposition #矩阵因子分解
sklearn.cluster # 聚类
sklearn.manifold # 流形学习
sklearn.mixture # 高斯混合模型
sklearn.neural_network # 无监督神经网络
sklearn.covariance # 协方差估计

3. 数据变换

sklearn.feature_extraction # 特征提取
sklearn.feature_selection # 特征选择
sklearn.preprocessing # 预处理
sklearn.random_projection # 随机投影
sklearn.kernel_approximation # 核逼近

4. 数据集

5.开发流程

sklearn一般实现流程:   

step1. 数据加载和预处理   

step2. 定义分类器, 比如: lr_model = LogisticRegression()   

step3. 使用训练集训练模型 : lr_model.fit(X,Y)   

step4. 使用训练好的模型进行预测: y_pred = lr_model.predict(X_test)   

step5. 对模型进行性能评估:lr_model.score(X_test, y_test)




姓 名: *
邮 箱:
内 容: *
验证码: 点击刷新 *   

回到顶部