scikit-learn（以下簡稱為sklearn）是用Python開發的機器學習庫，其中包含大量機器學習算法、資料集，是資料挖掘友善的工具。本教程參考《Python機器學習及實戰》、《scikit-learn機器學習》和sklearn的官方文檔，詳細講解如何使用sklearn實作機器學習算法。首先，依舊講講寫本系列教程的原因：第一，相比于直接編寫各種算法，sklearn簡單容易上手；第二，參考書籍有些部分講解不細緻，sklearn版本的更新，官方文檔雖然齊全，但是是英文等等，希望通過編寫這個教程，可以讓讀者輕松上手機器學習；第三，依舊是本人的學習記錄過程。
本系列教程特點：
- 好學易用
- 案例實操多
哪些讀者可以使用：
- 了解機器學習的基本術語
- 會Python語言
- 會numpy和pandas庫的使用
sklearn小抄
在愉悅的做一個調包俠之前，老衲給予施主一份絕世寶典（sklearn小抄），之後你的任督二脈将會打開，在sklearn調包的路上所向披靡。首先上寶典，高清pdf請前往此處下載下傳： （連結：https://pan.baidu.com/s/12c0CIP6c6rgc4Y5zEnUJxA 密碼：13au）。
資料導入
sklearn支援的資料格式有numpy數組和pandas的DataFrame格式，當然，sklearn也提供了一些資料集，通過下面代碼可以導入資料集（具體資料集見後文）。
-
from sklearn import datasets
資料預處理
“garbage in garbage out”，一個好的模型很大程度上基于一個幹淨有效的源資料，是以在訓練模型之前，需要針對已有資料進行清洗和處理。資料預處理的方法有很多：資料的缺失值清洗；資料标準化/中心化/歸一化；啞編碼；生成多項式特征等等，這個需要根據具體的資料進行相對應的處理。
模型選擇
針對不同的問題需要選擇不同的模型，有label标簽且為離散值的為分類，有label标簽且為連續值的是回歸，無label的就要用無監督的方法了。但針對某個特定問題，如何選擇算法了，可以看下圖。 但很不幸的是：“沒有免費的午餐定理”告訴我們，脫離具體問題去讨論選擇什麼算法更好是毫無意義的，在現實模組化中，我們通過多個模型比較評估結果來選擇最終模型。
模型訓練
在模型訓練前，需要将資料集切分為訓練集和測試集（73開或者其它）。sklearn訓練模型很簡單，在具體執行個體中講解。
模型測試
針對不同類模型，模型的評價名額都不同，具體可看小抄和sklearn.metrics子產品。在模型測試中，我們常常使用交叉驗證的方法。
模型優化
模型一般都是有很多參數的，如何選擇最優的參數，可使用網格搜尋和随機參數優化。
tips
針對各個過程的詳細介紹，會在具體案例中講解。