scikit-learn——快速入門
sklearn 快速入門
環境：
- ubuntu 12.04, 64 bits
- python 2.7
- sklearn 0.14
好幾個月沒有發博客了，平時的筆記都隨意記在印象筆記中。現在閑着有空，把 sklearn 的基本模型學一學。實際上 scikit-learn 的學習材料非常非常齊全，建議英文好的同學直接看官方文檔。
准備
sklearn 快速入門的官方文檔在這里。這個文檔主要描述機器學習的概念，以及如何加載數據，訓練模型，保存模型。
這里提供另外一個更加詳細的材料，這份材料基於ipython notebook，可以在瀏覽器里運行代碼，功能強大，演示效果非常好，github下載地址。如果電腦上沒有安裝git，請參考這篇博客進行設置。
- 將材料下載到本地：
git clone git@github.com:jakevdp/sklearn_pycon2013.git - 安裝 ipython-notebook
sudo easy_install "ipython>=0.13" jinja2 "tornado>=3.1.0" pyzmq sudo apt-get install ipython-notebook - 打開材料
cd PATH/TO/sklearn_pycon2013/notebook ipython notebook --pylab inline--pylab inline 參數可以使 notebook 在瀏覽器里面直接畫圖效果
數據
sklearn 中的數據一般存放為二維數組，形狀為 [n_samples, n_feartures]。比如著名的 iris 數據集（鳶尾花）包含了三種類別的花（target），共 150 組數據（samples），每組數據由 4 個特征組成，具體來說就是：萼片的長度、萼片的寬度、花瓣的長度、花瓣的寬度。那么，iris 數據集的 data 就由 150＊4 的二維數組組成。
sklearn 提供了很多數據集，一類比較小，直接打包在庫中，可以通過 datasets.load_ + Tab 來查看，另一類比較大，需要下載，可以通過 datasets.fetch_ + Tab 查看，下載的目錄可以通過sklearn.datasets.get_data_home()查看。
更詳細的信息請參考 notebook 中的 02_sklearn_data.ipynb 文件。
接口
創建一個機器學習的模型很簡單：
from sklearn.linear_model import LinearRegression
model = LinearRegression()
print model
所有模型提供的接口有：
- model.fit(): 實際上就是訓練，對於監督模型來說是 fit(X, y)，對於非監督模型是 fit(X)。
監督模型提供：
- model.predict(X_new): 判別新樣本
- model.predict_proba(X_new): 某些模型可以輸出概率，比如 LR，上一個輸出的就是概率最大的 target
- model.score(): 得分越高，fit 越好
非監督模型提供：
- model.transform(): 從數據中學到新的“基空間”。
- model.fit_transform(): 從數據中學到新的基並將這個數據按照這組“基”進行轉換。
下面這個圖展示了這些接口在機器學習模型中的位置：
更多信息請查看 ipython notebook 文檔中的內容。