python:非常流行和重要的Python机器学习库scikit-learn 介绍

scikit-learn 是如此重要，是Python 机器学习的瑞士军刀，以至于我们需要单独对它进行一些介绍。scikit- learn 包含众多顶级机器学习算法，它主要有六大类的基本功能，分别是分类、回归、聚类、数据降维、模型选择和数据预处理。

Scikit-learn 核心模块给大家统计如下。

1. 数据预处理与特征工程

功能类别	主要函数/类	关键参数	应用场景	版本增强
标准化缩放	StandardScaler	with_mean, with_std	高斯分布数据预处理	0.12+
	MinMaxScaler	feature_range	神经网络输入归一化	0.13+
	RobustScaler	quantile_range	含异常值数据	0.17+
编码转换	OneHotEncoder	drop, sparse_output	类别特征转换	0.20+ 增强
	OrdinalEncoder	categories	有序类别编码	0.20+
	LabelEncoder	-	目标变量编码	初始版本
缺失值处理	SimpleImputer	strategy, fill_value	缺失值填补	0.20+ 重构
	KNNImputer	n_neighbors, weights	基于近邻的缺失值填补	0.22+
特征生成	PolynomialFeatures	degree, interaction_only	特征多项式扩展	0.10+
	FunctionTransformer	func, inverse_func	自定义特征转换	0.17+
特征选择	SelectKBest	score_func, k	基于统计检验的特征选择	0.13+
	RFE (递归特征消除)	estimator, n_features_to_select	包裹式特征选择	0.16+

2.分类算法

算法类型	实现类	关键超参数	时间复杂度	适用数据规模
线性模型	LogisticRegression	C, penalty, solver	O(n_samples * n_features)	10^6样本
	Perceptron	penalty, alpha	O(n_samples * n_features)	10^6样本
支持向量机	SVC	C, kernel, gamma	O(n_samples^2 * n_features)	10^4样本
	NuSVC	nu, kernel	O(n_samples^2 * n_features)	10^4样本
决策树	DecisionTreeClassifier	max_depth, criterion	O(n_samples * n_features * log(n_samples))	10^5样本
集成方法	RandomForestClassifier	n_estimators, max_depth	O(n_estimators * n_samples * n_features * log(n_samples))	10^6样本
	GradientBoostingClassifier	learning_rate, max_depth	O(n_estimators * n_samples * n_features)	10^5样本
	AdaBoostClassifier	n_estimators, algorithm	O(n_estimators * n_samples * n_features)	10^5样本
神经网络	MLPClassifier	hidden_layer_sizes, activation	O(n_samples * n_features * hidden_units)	10^5样本
朴素贝叶斯	GaussianNB	var_smoothing	O(n_classes * n_features)	10^6样本
	MultinomialNB	alpha	O(n_classes * n_feature

3.回归算法

4.聚类算法

算法类型	实现类	关键超参数	适用场景	创新版本
划分聚类	KMeans	n_clusters, init	球形簇、均匀大小	0.23+ 优化
	MiniBatchKMeans	batch_size	大规模数据	0.13+
密度聚类	DBSCAN	eps, min_samples	任意形状簇、噪声识别	初始版本
层次聚类	AgglomerativeClustering	n_clusters, linkage	簇层次结构分析	0.14+
谱聚类	SpectralClustering	n_clusters, affinity	图结构数据	0.15+
高斯混合	GaussianMixture	n_components	概率软聚类	0.18+

5.降维与流形学习

算法类型	实现类	关键超参数	降维能力	计算复杂度
矩阵分解	PCA	n_components, svd_solver	线性降维	O(n_samples^2 * n_features)
	TruncatedSVD	n_components, algorithm	稀疏数据降维	O(n_samples * n_features)
流形学习	TSNE	perplexity, learning_rate	可视化降维	O(n_samples^2 * n_features)
	Isomap	n_neighbors, n_components	非线性降维	O(n_samples^2 * n_features)
特征选择	FactorAnalysis	n_components, svd_method	隐变量提取	O(n_samples^2 * n_fe

6.模型验证

工具类	主要功能	关键参数	输出类型
cross_val_score	自动交叉验证评分	scoring, cv	评分数组
cross_validate	多指标交叉验证	scoring, return_train_score	结果字典
learning_curve	生成学习曲线数据	train_sizes, cv	训练/验证得分

7.超参数优化

工具类	优化策略	适用场景	并行能力
GridSearchCV	网格搜索	小参数空间	全并行
RandomizedSearchCV	随机搜索	大参数空间	全并行
HalvingGridSearchCV	连续减半搜索	大规模参数空间	部分并行

8.评估指标

指标类型	分类指标	回归指标	聚类指标
基础指标	accuracy_score	mean_squared_error	adjusted_rand_score
概率指标	roc_auc_score	r2_score	silhouette_score
多类别指标	f1_score (average=macro)	explained_variance_score	calinski_harabasz_score
不平衡数据	balanced_accuracy_score	mean_absolute_percentage_error	davies_bouldin_sco

伙伴们可以保存使用。

请大家点赞 、收藏和加关注吧。