机器学习模块总结

Sklearn 是基于Python的机器学习工具模块。里面主要包含了6大模块：分类、回归、聚类、降维、模型选择、预处理。

根据Sklearn 官方文档资料，下面将各个模块中常用的模型函数总结出来。

1.    回归及分类（监督学习）

1.1   广义线性模型  (fromsklearn import linear_model)

最小二乘法：拟合一个线性模型, 使得数据集实际观测数据和预测数据（估计值）之间残差平方和最小。

                       clf=linear_model.LinearRegression(),  clf.fit(X,y)

岭回归：改良的最小二乘，解决共线问题。

                 clf=linear_model.Ridge(alpha=0.5)，clf.fit(X,y)

逻辑回归：

clf=linear_model.LogisticRegression()

1.2    朴素贝叶斯 

 高斯模型:  from sklearn.naive_bayes import GassianNB

Gnb=GassianNB(),gnb.fit(data, target).predict(data)

 多项式模型：MultinomialNB

伯努利模型：会把输入数据二元化BernoulliNB

1.3   决策树  from sklearn import tree

 决策树分类器：clf=tree.DecisionTreeClassifier()

 回归分类器（y 值为float非int）：

clf=tree. DecisionTreeRegressor()

1.4   支持向量机

 from sklearn import svm

 clf=svm.SVC()

2.    聚类

K-means:

  from sklearn.cluster import KMeans

 kmeans= KMeans(n_clusters=2, random_state=0).fit(X)

3.    降维

PCA:

   From sklearn.decomposition import PCA

   pca = PCA(n_components=2)

 method:

   fit(X[y])

   get_covariance()

   get_params([deep])

   get_precision()

   score(X[y])

4.    特征选择

树特征：

 From sklearn.ensemble import ExtraTreesClassifier

5 .数据预处理

  From sklearn import preprocessing

  标准化：preprocessing.scale(x)

规范化：preprocessing.normalize()

二值化:  preprocessing.Binarizer()

处理缺失值：fromsklearn.preprocessing import Imputer

imp=Imputer(missing_values='NaN',strategy='mean',axis=0)