关于
- 个人微信公众号： Mn2+
- 个人博客首页
- 注：学习交流使用！
- 本文简介：机器学习与sklearn
正文
1、sklearn提供了分类、回归、聚类和降维4个类别的经典算法
（1）如果数据量小于50，一般是无法使用sklearn的机器学习算法建模的。
（2）如果数据有类别标签，请使用分类模型。
（3）如果数据需要预测精确值，请使用回归模型。
（4）如果想查看数据分布情况，可以考虑使用降维算法。
（5）如果数据没有类别标签，可以使用聚类算法。
2、sklearn环境配置
（1）如果你使用的Python环境是Anaconda，那么默认已经安装了sklearn。
（2）安装命令：pip install scikit-learn
3、数据集
（1）人工智能的核心在于数据支持。
（2）在机器学习任务中，数据集有三大功能：训练、验证和测试。
① 训练即拟合模型的过程，模型会通过分析数据、调节内部参数从而得到最优的模型效果。
② 验证即验证模型效果，效果可以指导我们调整模型中的超参数（在开始训练之前设置参数，而不是通过训练得到参数），通常会使用少量未参与训练的数据对模型进行验证。
③ 测试的作用是检查模型是否具有泛化能力。
（3）自带的小型数据集
① load_iris：该数据集包含了150条鸢(yuan)尾花数据。
② load_boston：是关于波士顿房屋特征与房价之间关系的数据集，包含13个房屋特征。
③ load_digits：是一个比MNIST更小的手写数字图片数据集。
（4）在线下载的数据集
Fetch系列函数用于获取较大规模的数据集，这些数据集会自动从网上下载。
（5）计算机生成的数据集
用sklearn生成的数据集可以用来测试一些基础的模型功能，比如多分类数据集、聚类数据集以及高斯分布数据集等。
4、分类
（1）
（2）
5、
关注
个人微信公众号：Mn2+
哔哩哔哩：不爱码字的小懒马儿
