Scikit-learn - 讓機器學習變得人性化
Scikit-Learn是Python其中一個出名的Package，讓你在一些Data Mining中數據的特別處理和變換，模型訓練，驗證和評估，都能簡潔地實現出來。 一些基本的演算法如Regression, Decision Tree, Clustering等也能夠滿足我們對於預測分析的需求。 而最近，新版本(0.18.0)的Scikit-Learn亦新增和推出了人工神經網絡（監督式學習）， 實在讓我十分期待最新版本的Scikit-learn！
事不宜遲，先一起安裝Scikit-Learn吧！
Mac
打開Terminal和輸入：
Window
打開CMD和輸入：
Ubuntu
打開Terminal和輸入：
Scikit-Learn囊括了七大範疇，每一個範疇裡頭有很多的以Class型式儲存的Model或者而Function型式儲存的Methodology：
1. 監督式學習 (Supervised Learning)
常用和用作分類預測的監督式學習的模型，例如Regression, Decision Tree, KNN, Naive Bayes, Neural Network等都已經應有盡有，再進階一點的Ensemble Method，如Bagging, Boosting都包括在內。
2. 非監督式學習 (Unsupervised Learning)
非監督式學習的模型就像Clusteirng, Outlier Detection，甚至Neural Network也包括內，讓你在沒有已知的目標變數下進行有關的分析。
3. 模型的選擇和評估 (Model Selection & Assessment)
一些Confusion Matrix, ROC, Lift Chart等用作評估模型的Metrics都會包含在內。另外，Cross Validation和Learning Curve等Technique也會助你選擇最好的Parameters。
4. 數據變換(Data Transformation)
這明顯的能把數據的轉換成自己想要的形式，包括文字的Data也能變換成Vector，而數字類型的Data也可以處理Normalization, Standardization。
5. 數據集加載的實用程序 (Dataset loading utilities)
Scikit-Learn本身有內置的Dataset，如果想閱讀自己的數據也可以，尤其是csv, json等形式的檔案。
6. 規模計算 (Scale Computationally)
為處理數據量過大而導致無法一次地儲存在Main Memory，Scikit-Learn能讓你的系統規模化，out-of-core learning便是其中一個策略。
7. 演算法性能(Computational Performance)
有關運算性能的指標：Latency和Throughput都會應用在預測模型中，讓你知道自己的模型，在這兩個指標發揮得如何。
那麽，讓我們在之後的文章利用Scikit-Learn開發一些實用的工具吧！
事不宜遲，先一起安裝Scikit-Learn吧！
Mac
打開Terminal和輸入：
pip install scikit-learn
Window
打開CMD和輸入：
pip install scikit-learn
Ubuntu
打開Terminal和輸入：
pip install --user --install-option="--prefix=" -U scikit-learn
Scikit-Learn囊括了七大範疇，每一個範疇裡頭有很多的以Class型式儲存的Model或者而Function型式儲存的Methodology：
1. 監督式學習 (Supervised Learning)
常用和用作分類預測的監督式學習的模型，例如Regression, Decision Tree, KNN, Naive Bayes, Neural Network等都已經應有盡有，再進階一點的Ensemble Method，如Bagging, Boosting都包括在內。
2. 非監督式學習 (Unsupervised Learning)
非監督式學習的模型就像Clusteirng, Outlier Detection，甚至Neural Network也包括內，讓你在沒有已知的目標變數下進行有關的分析。
3. 模型的選擇和評估 (Model Selection & Assessment)
一些Confusion Matrix, ROC, Lift Chart等用作評估模型的Metrics都會包含在內。另外，Cross Validation和Learning Curve等Technique也會助你選擇最好的Parameters。
4. 數據變換(Data Transformation)
這明顯的能把數據的轉換成自己想要的形式，包括文字的Data也能變換成Vector，而數字類型的Data也可以處理Normalization, Standardization。
5. 數據集加載的實用程序 (Dataset loading utilities)
Scikit-Learn本身有內置的Dataset，如果想閱讀自己的數據也可以，尤其是csv, json等形式的檔案。
6. 規模計算 (Scale Computationally)
為處理數據量過大而導致無法一次地儲存在Main Memory，Scikit-Learn能讓你的系統規模化，out-of-core learning便是其中一個策略。
7. 演算法性能(Computational Performance)
有關運算性能的指標：Latency和Throughput都會應用在預測模型中，讓你知道自己的模型，在這兩個指標發揮得如何。
那麽，讓我們在之後的文章利用Scikit-Learn開發一些實用的工具吧！
Comments
Post a Comment