sklearn库包含哪些内容(sklearn库中文版完全使用手册)

扫码添加渲大师小管家，免费领取渲染插件、素材、模型、教程合集大礼包！

大家好，今天来介绍sklearn库包含哪些内容(sklearn库安装)的问题，以下是渲大师小编对此问题的归纳和整理，感兴趣的来一起看看吧！

sklearn库介绍

sklearn库的共分为6大返扮困漏念部分，分别用于完成分类任务、回归任务、聚缺氏类任务、降维任务、模型选择以及数据的预处理。

分类任务

回归任务

聚类任务

降维任务

https://www.icourse163.org/learn/BIT-1001872001?tid=1001965001#/learn/content?type=detail&id=1002847912&cid=1003246088

Sklearn库

Python Scikit-learn：一组简单有效的工具集。依赖Python和NumPy、SciPy、matplotlib库。是开源和可复用的

Sklearn是Scikit-learn的简称，是基于Python的第三方模块，集成了常用的机器学习方法，在进行学习任务时，并不需要实现算法，只需要简单的调用库中提供的模块就能完成大多数的机器学习任务
Sklearn是在NumPy、SciPy、matplotlib的基础上开发而成，因此宴好安装前需要先安装依赖库

安装顺序：NumPy库、晌旁铅SciPy库、matplotlib库、Sklearn库

目录
Python机器学习应启樱用
一、 Sklearn库
二、 无监督学习
三、 有监督学习

sklearn库中的什么模块可以加载数据集

datasets模块可中答罩以加载数据集。根据查询相关公开信息显卖闹示：sklearn库中集成举闹了datasets模块，该模块包含了数据分析中常用经典数据集，sklearn同时支持加载实际的数据集和外部数据集，加载数据集主要：通过pandas.io加载CSV，EXCEL，JSON，SQL等类型数据，故datasets模块可以加载数据集。

十分钟上手sklearn 安装获取数据数据预处理

更多干货就在我的个人博客 http://blackblog.tech 欢迎关注！

sklearn是机器学习中一个常用的python第三方模块，对常用的机器学习算法进行了封装
其中包括：
1.分类（Classification）
2.回归（Regression）
3.聚类（Clustering）
4.数据降维（Dimensionality reduction）
5.常用模型（Model selection）
6.数据预处理（Preprocessing）
本文将从sklearn的安装开始讲解，由浅入深，逐步上手sklearn。

sklearn官网： http://scikit-learn.org/stable/index.html
sklearn API： http://scikit-learn.org/stable/modules/classes.html#module-sklearn.preprocessing

sklearn的目前版本是0.19.1
依赖包：
Python (>=2.6或>穗旅蔽=3.3)
NumPy(>=1.6.1)
SciPy(>=0.9)

使用pip安装，terminal直接执行即可

使用Anaconda安装，推荐Anaconda，因为里面已经内置了NumPy，SciPy等常用工具

安装完成后可以在python中检查一下版本，import sklearn不报错，则表示安装成功

机器学习算法往往需要大量的数据，在skleran中获取数据通常采用两种方式，一种是使用自带的数据集，另一种是创建数据集

sklearn自带了很多数据集，可以用来对算法进行测试分析，免去了自己再去找数据集的烦恼
其中包括：
鸢尾花数据集:load_iris()
手写数字数据集:load_digitals()
糖尿病数据集:load_diabetes()
乳腺癌数据集:load_breast_cancer()
波士顿房价数据集:load_boston()
体能训练数据集:load_linnerud()

这里以鸢尾花数据集为例导入数据集

使用skleran的样本生成器(samples generator)可以创建数据，sklearn.datasets.samples_generator中包含了大量创建样本数据的方法。

这里以分类问题创建样本数据

参数说明：
n_features :特征个数= n_informative（） + n_redundant + n_repeated
n_informative：多信息特征的个数
n_redundant：冗余信息，informative特征的随机线性组合
n_repeated ：重复信息，随机提取n_informative和n_redundant 特征
n_classes：分类类别
n_clusters_per_class ：某一个类别是由几个cluster构成的
random_state：随机种子，使得实验可重复
n_classes*n_clusters_per_class 要小于或等于 2^n_informative

打印结果：

机器学习的过程正往往需要对数据集进行划分，常分为训练集，测试集。镇悔sklearn中的model_selection为我们提供了划分数据集的方法。
以鸢尾花数据集为例进行划分

参数说明：
arrays：样本数组，包含特征向量和标签
test_size：
　　float-获得多大比重的测试样本 （默认：0.25）
　　int - 获得多少个测试样本
train_size: 同test_size
random_state:int - 随机种子（种子固定，实验可复现）
shuffle - 是否在分割之前对数据进行洗牌（默认True）

后面我们训练模型使用的数据集都基于此

我们为什么要进行数据预处理？
通常，真实生活中，我们获得的数据中往往存在很多的无用信息，甚至存在错误信息，而机器学习中有一句话叫做"猜州Garbage in，Garbage out"，数据的健康程度对于算法结果的影响极大。数据预处理就是让那些冗余混乱的源数据变得能满足其应用要求。
当然，仅仅是数据预处理的方法就可以写好几千字的文章了，在这里只谈及几个基础的数据预处理的方法。
skleran中为我们提供了一个数据预处理的package：preprocessing，我们直接导入即可

下面的例子我们使用:[[1, -1, 2], [0, 2, -1], [0, 1, -2]]做为初始数据。

基于mean和std的标准化

打印结果:

规范化到一定区间内 feature_range为数据规范化的范围

打印结果:

首先求出样本的p-范数，然后该样本的所有元素都要除以该范数，这样最终使得每个样本的范数都为1

打印结果：

本文介绍了sklearn的安装，sklearn导入数据集，创建数据集的基本方法，对数据预处理的常用方法进行了介绍。
下一篇，将重点讲解如何使用sklearn进行特征提取，使用sklearn实现机器学习经典算法，模型的保存等内容。

sklearn导入自己的图片

sklearn库主要是用于机器学习算法的实现和数据处理，不支持导入图片这类功能。亩培因此，如果需要导入自己的图片，需要使用其他的库来实现，如Pillow、OpenCV等。

Pillow是Python的一个图像处理库，可以实现图像的读取、编辑、保存等功能，对于sklearn库无法处理的图像数据，可以使用Pillow来将其转换为sklearn可处理的数据格式。比如，可以将图像转换为灰度图像、二值图像或者RGB图像，然后将其转换为numpy数组格式，再输入到sklearn算法中进行训练和预测。

OpenCV是一个开源的计算机视觉库，主要用于图像和视频处理。它支持多种编程语言，包吵哗括Python。使用OpenCV可以实现图像的读取、处理、显示等功能，还支持图像的特征提取和匹升耐行配等高级功能。通过OpenCV，我们可以将图像转换为numpy数组格式，然后输入到sklearn算法中进行训练和预测。

综上所述，虽然sklearn库不支持导入自己的图片，但是我们可以使用其他的图像处理库来实现，将图像转换为numpy数组格式，再输入到sklearn算法中进行训练和预测。