机器学习—SKlearn库

Sklearn库（也就是scikit-learn库）中可以为我们提供常用的聚类算法：

K-Means，

近邻传播算法

DBSCAN等

Sklearn库依赖环境：Numpy, Scipy, matplotlib

sklearn 包含了分类，回归，聚类，降维，模型选择和数据预处理。

而不同算法的出来的结果也是不一样的，这个由于不同的算法有着不的算法特性。同时，不同的算法的计算的时间和效率也是不一样的。如何去选择适当的算法去匹配我们适合的数据，这就需要我们对数据集和算法的应用有着一定的了解。

Sklearn 中标准的数据输入格式，应该采用矩阵的形式进行输入，关于矩阵的运算和变换，在计算机的运算和编程的速率的提升，在此，我就不细细展开了，其标准输入格式：[样本，特征]定义的矩阵形式。

聚类算法：

降维算法：

同时，sklearn的模块简单介绍下：

1.分类：

最近邻算法（neighbors.NearestNeighbors）

支持向量机（svm.SVM）

朴素贝叶斯（naive_bayes.GaussianNB）

决策树（tree.DecisionTreeClassifier）

集成方法（ensemble.BaggingClassifier）

神经网络（neural_network.MLPClassifier）

2.回归：

岭回归（linear_model.Ridge）

Lasso回归（linear_model.Lasso）

弹性网络（linear_model.ElasticNet）

最小角回归（linear_model.Lars）

贝叶斯回归（linear_model.BayesianRidge）

逻辑回归（linear_model.LogistcRegression）

多项式回归（preprocessing.PolynomialFeatures）

3.聚类

K-means（cluster.KMeans）

AP聚类（cluster,AffinityPropagation）

均值聚类（cluster.Meanshift）

层次聚类（cluster.AgglomerativeClustering）

DBSCAN（cluster.DBSCAN）

BIRCH（cluster.Birch）

谱聚类（cluster.SpectralClustering）

4.降维

主成分分析（decomposition.PCA）

截断SVD和LSA（decomposition.TruncatedSVD）

字典学习（decomposition.SparseCoder）

因子分析（decomposition.FactorAnalysis）

独立成分分析（decomposition.FastICA）

非负矩阵分解（decomposition.NMF）

LDA（decomposition.LatentDirichletAllocation）

我们下期再见。