有过编程经验的朋友都知道，想要学习一门技术最简单、最有效、最快速的方法就是programming。在机器学习领域，家喻户晓的，从零开始的学习框架可能非scikit-learn莫属了，本博客将通过一些列的文章来记录我学习实践scikit-learn的整个过程。ps:由于个人工作暂时并不涉及机器学习，而我本人也是刚刚开始不久，因此进度不会太快，有兴趣的同学可以一起学习实践，也欢迎大家交流。
scikit-learn同其他许多开源软件一样，由开源社区成员自由维护，由于维护成本限制，相比其他机器学习框架，scikit-learn的策略相对比较保守。一是Scikit-learn从来不做除机器学习领域之外的其他扩展，二是Scikit-learn从来不采用未经广泛验证的算法。
Scikit-learn六大功能：
分类，回归，聚类，数据降维，模型选择和数据预处理
分类：
scikit-learn分类算法主要包括：支持向量机（SVM），最近邻，逻辑回归，随机森林，决策树以及多层感知器（MLP）神经网络等等。
回归：
scikit-learn回归算法主要包括：支持向量回归（SVR），脊回归，Lasso回归，弹性网络（Elastic Net），最小角回归（LARS ），贝叶斯回归。
聚类：
scikit-learn聚类算法主要包括：K-均值聚类，谱聚类，均值偏移，分层聚类，DBSCAN聚类等。
数据降维：
scikit-learn数据降维主要是通过主成分分析（PCA）、非负矩阵分解（NMF）或特征选择等降维技术来减少要考虑的随机变量的个数。
模型选择：
模型选择是指对于给定参数和模型的比较、验证和选择，其主要目的是通过参数调整来提升精度。目前Scikit-learn实现的模块包括：格点搜索，交叉验证和各种针对预测误差评估的度量函数。
数据预处理：
数据预处理是指数据的特征提取和归一化，是机器学习过程中的第一个也是最重要的一个环节。
scikit-learn是入门利器，同时也是真正的利器，广泛应用于数据挖掘等领域，关于其功能的选择和使用，scikit-learn官方提供了如下参考：
欢迎大家关注微信公众号“翰墨知道”获取最新更新。
