原创博文，转载请注明出处。
（为了节约空间，打印结果常用“...”表示省略)
一、加载数据集
1. 加载sklearn自带的数据集
scikit-learn有一些自带的标准数据集，例如用于分类的经典数据集iris和digits以及用于回归的boston house prices数据集。
这些自带的数据集一种是类似字典的对象，它保存所有的数据（通常情况下，特征向量存储在.data成员中，在监督学习中，标签存储在.target成员中）和关于数据的元数据（如.target_names成员用来存储各个标签值对应的含义标签名称）。每个数据集中包含的成员不一定是一样的，既然数据集是一种类似字典的对象，那么，我们就可以通过“数据集名.keys()”来查看该数据集中，究竟有哪些成员，从而对数据集有个整体的把握。
from sklearn import datasets
iris = datasets.load_iris()
print iris
{'target_names': array(['setosa', 'versicolor', 'virginica'],
dtype='|S10'), 'data': array([[ 5.1, 3.5, 1.4, 0.2],
[ 4.9, 3. , 1.4, 0.2],
[ 4.7, 3.2, 1.3, 0.2],
...
[ 6.2, 3.4, 5.4, 2.3],
[ 5.9, 3. , 5.1, 1.8]]), 'target': array([0, 0, 0, 0, ···2, 2, 2]), ...}
2. 访问自带数据集成员
载入数据集后，可以通过“数据集名.成员名”的方式访问成员。
访问特征集
print iris.data
[[ 5.1 3.5 1.4 0.2]
[ 4.9 3. 1.4 0.2]
[ 4.7 3.2 1.3 0.2]
...
[ 6.2 3.4 5.4 2.3]
[ 5.9 3. 5.1 1.8]]
访问标签集
print iris.target
[0 0 ... 0 0 0 1 1 ... 1 1 2 2 ... 2 2]
3. 加载数据非二维数组的数据集demo
# _*_ coding:utf-8_*_
from sklearn import datasets
digits = datasets.load_digits()
print digits.keys()
print '------'
# 第0个样本image为
print digits.images[0]
print '------'
print digits.data[0]
['images', 'data', 'target_names', 'DESCR', 'target']
------
[[ 0. 0. 5. 13. 9. 1. 0. 0.]
[ 0. 0. 13. 15. 10. 15. 5. 0.]
[ 0. 3. 15. 2. 0. 11. 8. 0.]
[ 0. 4. 12. 0. 0. 8. 8. 0.]
[ 0. 5. 8. 0. 0. 9. 8. 0.]
[ 0. 4. 11. 0. 1. 12. 7. 0.]
[ 0. 2. 14. 5. 10. 12. 0. 0.]
[ 0. 0. 6. 13. 10. 0. 0. 0.]]
------
[ 0. 0. 5. 13. 9. 1. 0. 0. 0. 0. 13. 15. 10. 15. 5.
0. 0. 3. 15. 2. 0. 11. 8. 0. 0. 4. 12. 0. 0. 8.
8. 0. 0. 5. 8. 0. 0. 9. 8. 0. 0. 4. 11. 0. 1.
12. 7. 0. 0. 2. 14. 5. 10. 12. 0. 0. 0. 0. 6. 13.
10. 0. 0. 0.]
可以看到.images和.data的区别：.data将.images中的元素由二维数组转为一维向量。
4. 加载外部数据
scikit-learn接受numpy array或者scipy稀疏矩阵这样的数值型数据，另外，它也和pandas里的DataFrame是兼容的。
二、拟合分类器
1. 分类器的定义
在scikit-learn中，分类评估器是一种python类，具有fit(X, y)和predict(T)两个方法。
过程是：用训练集fit某个分类器，然后用这个fit好的分类器实例来predict测试集
2. demo：作用在digits数据集上的SVC(分类器)模型的建立
SVC的全称为support vector classification，即：支持向量分类器，svm中定义的python类。
2.1 基础原型
digits数据集共有1797个样本，我们先简单地取第0个到第1759个作为训练集，第1760到第1796个作为测试集
# _*_ coding:utf-8_*_
from sklearn import datasets
from sklearn import svm
clf = svm.SVC()
digits = datasets.load_digits()
X, y = digits.data, digits.target
clf.fit(X[0:1760], y[0:1760]) # 拟合SVC分类器实例
# 对比第1760到1796个实例的预测值和真实值，查看效果
print clf.predict(X[1760:1797]) # 用SVC分类器实例预测测试集
print y[1760:1797]
[1 7 3 3 3 3 1 3 3 5 3 3 3 6 3 3 5 3 3 3 2 3 2 3 5 7 9 3 4 3 3 4 9 3 3 3 3]
[1 7 6 8 4 3 1 4 0 5 3 6 9 6 1 7 5 4 4 7 2 8 2 2 5 7 9 5 4 8 8 4 9 0 8 9 8]
2.2 调参
在new一个分类器实例的时候，可以对分类器的参数进行设置，例如：
将上面的代码中，SVC分类器参数稍做设置
clf = svm.SVC(gamma=0.001, C=100.)
结果对比，预测准确度大大提高（注意第二行是真实值，第一行才是预测值）
[1 7 6 8 4 3 1 4 0 5 3 6 9 6 1 7 5 4 4 7 2 8 2 2 5 7 9 5 4 8 8 4 9 0 8 9 8]
[1 7 6 8 4 3 1 4 0 5 3 6 9 6 1 7 5 4 4 7 2 8 2 2 5 7 9 5 4 8 8 4 9 0 8 9 8]
上面的调参过程是手动完成的，可以使用网格搜索和交叉验证的方法自动找到合适的参数。
三、 模型存储
我们建好模型之后，需要将模型存储起来，以供日后使用。
python内置的pickle模块可以用来存储模型，但是，scikit-learn中还有类似功能的joblib类。它不可以像pickle一样将模型保存到字符串中，但它可以将模型保存在磁盘上，而且大数据应用场景下joblib更高效。
下面我们将上面训练好的模型clf保存在SVC_clf.pkl文件中：
将下面的代码加入上面代码的最后一行
from sklearn.externals import joblib
joblib.dump(clf, 'svc_clf.pkl')
这样，以后需要用到模型只要重新joblib.load该模型即可，也可以在其他python进程中使用。
例如，可以在同一个项目的另一个python文件中，重新导入该模型，进行预测：
from sklearn import datasets
from sklearn import svm
digits = datasets.load_digits()
X, y = digits.data, digits.target
from sklearn.externals import joblib
clf = joblib.load('svc_clf.pkl')
print clf.predict(X[1760:1797])
print y[1760:1797]
[1 7 6 8 4 3 1 4 0 5 3 6 9 6 1 7 5 4 4 7 2 8 2 2 5 7 9 5 4 8 8 4 9 0 8 9 8]
[1 7 6 8 4 3 1 4 0 5 3 6 9 6 1 7 5 4 4 7 2 8 2 2 5 7 9 5 4 8 8 4 9 0 8 9 8]
运行结果和之前一样，说明是同一个模型。
ps: pickle是腌黄瓜的意思，dump方法和load方法的命名很生动地表示出了：将模型倒入（dump）腌制容器中，以备日后取出（load）使（食）用。而joblib继承了pickle中两个方法的命名方法。
四 约定
1. 类型转换
*所有输入的类型都会被转化为float64
*回归预测输出转化为float64，分类预测输出不变
2. 更改参数、重新拟合
分类器可以通过.set_params()方法修改超参数，更改后再调用.fit()方法，将重写之前的模型。
例如,将上面代码中，clf拟合后，加入以下代码：
clf.set_params(C=0.01).fit(X,y)
得到：
[1 1 6 3 1 3 3 1 3 3 3 1 3 6 3 3 3 1 1 3 3 3 3 3 3 3 3 3 1 3 3 1 3 0 3 3 3]
[1 7 6 8 4 3 1 4 0 5 3 6 9 6 1 7 5 4 4 7 2 8 2 2 5 7 9 5 4 8 8 4 9 0 8 9 8]
预测结果效果下降很多，说明分类器超参数设置成功，新模型覆盖旧模型。