scikit-learn是一个简单高效的Python机器学习框架。scikit-learn基于Numpy、SciPy和Matplotlib构建，可用于数据挖掘、数据分析，包括分类、回归、聚类、数据降维、模型选择和数据预处理。

分类的典型应用为垃圾邮件识别和图像识别。scikit-learn在分类领域支持向量机、最近邻、随机森林等算法。

回归的典型应用为预测药物反应和预测股票价格。scikit-learn在回归领域支持向量回归（SVR），脊回归，Lasso回归等算法。

聚类的典型应用为顾客分组和实验结果分组。scikit-learn在回归领域支持K-均值、谱聚类、均值偏移等算法。

数据降维的典型应用为可视化和性能。

模型选择的典型应用为参数调优。

数据预处理是机器学习的第一步，包括特征提取和归一化。

用户评价

scikit-learn提供了一个工具箱，其中包含一些先进模型的坚实实现，并且很容易集成到现有的应用中。我们在Spotify大量使用scikit-learn推荐音乐。我认为这是我见过的设计最优良的机器学习软件包。

Erik Bernhardsson，Spotify音乐发现和机器学习部门

创建一个分类器通常是一个迭代的过程，包括探索数据，选取特征（某种程度上被认为可用于预测的数据属性），训练模型，最后评估。我们使用基于Python的优秀软件scikit-learn完成其中大量的任务。

Mark Ayzenshtat, Evernote增强智能部门总监

在Booking.com, 我们将机器学习算法用于许多不同的应用，例如推荐旅馆和目的地、识别欺诈性的预订、安排客服。我们使用多种工具实现预测任务的标准算法，scikit-learn是其中之一。scikit-learn的API和文档精良，便于使用。scikit-learn开发者的工作很棒，将先进的实现和最新的算法集成进此软件包。因此，scikit-learn提供了各种算法易于使用的实现，使我们可以很稳妥地找到合适的工具。

Melanie Mueller, Booking.com的数据科学家

安装

scikit-learn依赖以下软件：

Python (>= 2.7 或 >= 3.3)

NumPy (>= 1.8.2)

SciPy (>= 0.13.3)

Matplotlib (>= 1.1.1)

scikit-learn还使用CBLAS，基本线性代数子程序库的C接口。scikit-learn自带一个CBLAS的实现，不过系统的CBLAS会被编译系统检测到。

安装依赖后，可直接使用pip或conda安装scikit-learn:

pip install -U scikit-learn

或

conda install scikit-learn

文档和代码样例

scikit-learn拥有详细的文档：

稳定版文档

开发版文档

FAQ

scikit-learn也拥有丰富的代码样例：

稳定版

开发版

机器人网原创文章，未经授权禁止转载。详情见转载须知

本文来自机器人网，如若转载，请注明出处：https://www.jqr.com/news/008201