Scikit Learn - 介绍

Scikit-learn - 介绍

本章介绍 Scikit-learn（通常缩写为 sklearn），它是 Python 中机器学习的基石库。我们将涵盖其用途、起源、主要特性、前提条件和安装，为新用户提供基础理解。

什么是 Scikit-learn (sklearn)？

Scikit-learn 是一个开源的 Python 机器学习库。它为各种机器学习和统计建模任务提供了全面的高效工具，包括分类 (classification)、回归 (regression)、聚类 (clustering)、降维 (dimensionality reduction)、模型选择 (model selection) 和预处理 (preprocessing)。Scikit-learn 以其简洁、一致的 API 和详尽的文档而闻名，它构建在其他基本的 Python 科学计算库之上，如 NumPy（用于数值运算）、SciPy（用于科学计算）和 Matplotlib（用于绘图，尽管 Scikit-learn 本身专注于算法）。其易用性使其成为初学者和经验丰富的从业者的热门选择。

Scikit-learn 的起源

Scikit-learn 最初是 David Cournapeau 在 2007 年的 Google Summer of Code 项目，名为 ‘scikits.learn’。该项目在 2010 年获得了显著的动力，当时来自 INRIA（法国国家信息与自动化研究所）的 Fabian Pedregosa、Gael Varoquaux、Alexandre Gramfort 和 Vincent Michel 接管了主导权。他们在 2010 年 2 月 1 日发布了第一个公开版本（v0.1 beta）。

自成立以来，Scikit-learn 经历了持续的开发和改进，定期发布新功能、增强和错误修复。有关详细版本历史，请参阅其官方网站或 GitHub 仓库上的 Scikit-learn 更新日志 (changelog)。

社区与贡献者

Scikit-learn 是一个社区驱动的项目，拥有来自世界各地庞大而多元化的开发人员、研究人员和用户群体的贡献。该项目托管在 GitHub 上（https://github.com/scikit-learn/scikit-learn），其开发在此进行管理。虽然核心维护者团队负责指导项目，但其成功离不开广大社区的共同努力。从学术机构到 Booking.com、JP Morgan、Evernote、Spotify 和 Inria 等科技公司，许多组织都在其工作中使用 Scikit-learn。

前提条件

要有效使用最新版本的 Scikit-learn，您通常需要：

Python（通常是 3.8 或更新版本；请查阅官方文档以获取您打算使用的 Scikit-learn 版本的确切版本要求）。
NumPy（最新的稳定版本）。
SciPy（最新的稳定版本）。
Joblib（最新的稳定版本，用于保存和加载模型以及并行处理）。
threadpoolctl（用于管理并行处理中的线程池）。
Matplotlib（建议使用最新的稳定版本，用于 Scikit-learn 的绘图功能和示例）。
Pandas（强烈建议使用最新的稳定版本，用于数据操作，并在许多 Scikit-learn 示例中使用）。

最佳实践是使用 pip 或 conda 等包管理器安装这些依赖项，它们通常会处理版本兼容性。

安装

如果您已经安装了 Python 和 pip（Python 的包安装程序），安装 Scikit-learn 非常简单。

使用 pip

安装 Scikit-learn 最常见的方法是使用 pip：

pip install -U scikit-learn

如果 Scikit-learn 或其依赖项已经安装，-U 标志可确保您升级到最新的稳定版本。

使用 conda

如果您使用 Anaconda 或 Miniconda，可以通过 conda 包管理器安装 Scikit-learn：

conda install scikit-learn

Conda 将负责安装 Scikit-learn 及其兼容的依赖项。像 Anaconda 这样的流行 Python 发行版通常预装了 Scikit-learn，或者使其非常易于安装。

有关详细安装说明，包括从源代码构建或安装开发版本，请参阅 Scikit-learn 官方安装指南：https://scikit-learn.org/stable/install.html

关键特性

Scikit-learn 的主要关注点是数据建模，而不是数据加载、操作或汇总（这些通常由 Pandas 和 NumPy 等库处理）。其关键特性包括广泛的算法，用于：

监督学习 (Supervised Learning)：如线性回归 (Linear Regression)、逻辑回归 (Logistic Regression)、支持向量机 (Support Vector Machines - SVM)、决策树 (Decision Trees)、朴素贝叶斯 (Naive Bayes)、k-近邻 (k-Nearest Neighbors) 和集成方法 (ensemble methods)（随机森林 Random Forests、梯度提升 Gradient Boosting）。
无监督学习 (Unsupervised Learning)：用于聚类 (clustering)（K-Means、DBSCAN、层次聚类 Hierarchical Clustering）、降维 (dimensionality reduction)（PCA、NMF）和密度估计 (density estimation) 的算法。
聚类 (Clustering)：根据相似性对无标签数据进行分组。
降维 (Dimensionality Reduction)：在保留重要信息的同时减少特征数量，对于可视化、提高效率和防止维度灾难 (curse of dimensionality) 非常有用。
模型选择 (Model Selection)：用于比较、验证和选择模型及参数的工具，包括交叉验证 (cross-validation)、网格搜索 (grid search) 以及评估模型性能的指标。
预处理 (Preprocessing)：用于特征提取 (feature extraction)、特征缩放 (feature scaling)、归一化 (normalization) 和处理缺失值 (missing values) 的实用工具。
集成方法 (Ensemble Methods)：结合多个模型预测以提高性能和鲁棒性 (robustness) 的技术（例如，随机森林 Random Forests、AdaBoost、梯度树提升 Gradient Tree Boosting）。
特征提取 (Feature Extraction)：将原始数据（如文本或图像）转换为适合机器学习的数值特征。
特征选择 (Feature Selection)：识别对构建模型最相关的特征。
开源 (Open Source)：在 BSD 许可下免费提供，允许学术和商业用途。

Scikit-learn 一致的 API（例如，estimator.fit(X, y)、estimator.predict(X)、estimator.transform(X)）使得在不同模型之间切换和快速实验变得容易。