scikit-learn 是在Numpy,SciPy,Matplotlib三個模塊上編寫的，數據挖掘和數據分析的一個簡單有效的工具。scikit-learn包括6大功能：分類，回歸，聚類，降維，模型選擇和預處理。

此前寫過決策樹，PCA,LDA簡單實踐：
機器學習(5)-決策樹基礎+sklearn.DecisionTreeClassifier簡單實踐:https://blog.csdn.net/sinat_40624829/article/details/108411253
機器學習(6)–PCA,LDA基礎+sklearn 簡單實踐:https://blog.csdn.net/sinat_40624829/article/details/108600427

1.scikit-learn的數據集

scikit-learn 常用數據集合
分類數據集：iris, digits（8*8像素數組）
回歸數據集：波士頓房價

數據集類似于字典對象 ，數據被存在.data的成員內，是一個n_samples*n_features的數組；在有監督學習的情形下.target成員中存儲一個或多個因變量(目標值)

2.scikit-learn 的訓練和預測

在scikit-learn 中，預測器是一個Python對象，具有fit(X,y)方法和predict(test)方法。依據不同的機器學習算法，可以構成相應的預測器。如SVM分類器、決策樹分類器等。不同的預測器使用fit(X,y)方法進行學習，而predict(test)方法進行預測。

from sklearn import datasets
from sklearn import svmdigits = datasets.load_digits()
print(digits.data[:2])
print(digits.target[:2])# 選擇模型參數
clf = svm.SVC(gamma=0.0001, C=100)# 進行訓練
clf.fit(digits.data[:-1], digits.target[:-1])# 進行預測
print(clf.predict(digits.data[-1:]))