Sklearn库是基于Python的第三方库，它包括机器学习开发的各个方面。
机器学习的开发基本分为六个步骤，1）获取数据，2）数据处理，3）特征工程，4）机器学习的算法训练（设计模型），5）模型评估，6）应用。
机器学习的算法一般分为两种：一种既有目标值又有特征值的算法称之为监督学习，另一种只有特征值的算法称之为无监督学习。而监督学习还可以继续细分为分类算法和回归算法。
1）获取数据⑤
Sklearn中获取数据集使用的包为Sklearn.datasets，之后可以接load_* 和fetch_*从Sklearn为初学者提供的数据集中获取数据。
其中，load获取的是小规模的数据集，fetch获取的是大规模的数据集。
from sklearn.datasets import load_iris
iris=load_iris()
from sklearn.datasets import fetch_20newsgroups
news=fetch_20newsgroups
获取数据可以调用的方法：
.data 特征数据数组
.data.shape 特征值的数量
.target 目标值数组
.DESCR 数据描述
.feature_names 特征值的名字
.target_names 目标值的名字
数据集的返回值：
datasets.base.Bunch(继承自字典的格式)
dict["key"]= values
bunch.key=values
可以获取对应的值
2）数据处理
获取后的数据不是可以直接使用，机器学习的模型获取需要在训练集中进行训练得出模型，而后在测试集中进行测试，所以得到的数据集需要进行划分：
Sklearn中提供可用于对数据集划分训练集和测试集的方法：
Sklearn.model_selection.train_test_split()
输入值x为数据集的特征值
输入值y为数据集的目标值
test_size 测试集的大小，一般为float
random_state 随机数种子，不用的随机数种子会产生不同的随机采样结果。
返回值的按照顺序为：训练集特征值，测试集特征值，训练集目标值，测试集目标值
from sklearn.model_selection import train_test_split
x_train,x_test,y_train,y_test=train_test_split(iris.data,iris.target,random_state=22)
3）特征工程
pandas：一个非常方便的读取数据并进行基本的处理的工具
Sklearn：提供了很强大的特征处理的接口
特征提取：
①字典特征提取：Sklearn.feature_extraction.DictVectorizer
DictVectorizer.fit_transform()
输入值为字典或者包含字典的迭代器
返回值为sparse矩阵，可以使用False改变返回值的类型为二维数组
DictVectorizer.inverse_transform()
输入值为数组或者sparse矩阵
返回值为转换之前的数据格式
DictVectorizer.get_feature_names()
返回值为类别的名称
应用的场景：1.类别较多，将数据集的特征转化为字典类型，再利用DictVectorizer进行转换
2.拿到的是字典类型的数据
②文本特征提取：Sklearn.feature_extraction.text.CountVectorizer(stop_words[])
stop_words:停用词指的是指定的词不在做为文本特征提取的处理对象
CountVectorizer.transfer.fit_transform()
输入值为文本字典或者包含文本字符串的迭代器
返回值为sparse矩阵，sparse矩阵使用toarray方法可以直接转换为二维数组
CountVectorizer.inverse_transform()
输入值为数组或者sparse矩阵
返回值为转换之前的数据格式
CountVectorizer.get_feature_names
返回值为类别的名称
中文分词可以使用jieba库，实现字符串的转换分词。
TFIDF文本特征抽取，利用词在一个文章中使用频率与别的文章有很大区别，来实现特征的提取。
TFIDF文本特征提取的方法：Sklearn.feature_extraction.text.TfidfVectorizer(stop_words[])
TfidfVectorizer.transfer.fit_transform()
输入值为文本字典或者包含文本字符串的迭代器
返回值为sparse矩阵，sparse矩阵使用toarray方法可以直接转换为二维数组
TfidfVectorizer.inverse_transform()
输入值为数组或者sparse矩阵
返回值为转换之前的数据格式
TfidfVectorizer.get_feature_names
返回值为类别的名称
特征预处理：
①归一化：sklearn.preprocessing.MinMaxScaler(feature_range=(0,1)....)
feature_range=(0,1)数据处理后的范围
MinMaxScaler.fit_traensform()
输入值为numpy array格式的数据[n_samples,n_features] [样本数，特征数]
返回值为形状相同的array
缺点：这种方式会受到异常值的很大的影响。
②标准化：sklearn.preprocessing.StandardScaler
不用指定范围会直接将数据处理到(0,1)的范围内，均值为0，标准差为1
StandardScaler.fit_traensform()
输入值为numpy array格式的数据[n_samples,n_features] [样本数，特征数]
返回值为形状相同的array
标准化的方法比较适合大数据的处理，在样本足够多的情况下比较稳定。
特征降维：
指的是降低特征的个数，除去不相关的特征。
Filter过滤式降维方法：
①方差过滤式降维：sklearn.feature_selection.VarianceThreshold(threshold=0.0)
VarianceThreshold.fit_transform()
输入值为numpy array格式的数据[n_samples,n_features] [样本数，特征数]
返回值为删除了低方差特征的特征后的数组
②相关系数过滤式降维：
相关系数的计算方法：scipy.stats.pearsonr(x,y)
输入值为数据的特征的名称
③主成分分析（PCA）
sklearn.decomposition.PCA(n_components=None)
将数据进行处理，实现数据的降维。
n_components：
小数：保留百分之多少的信息
整数：减少到剩余多少个信息
PCA.fit_transform()
输入值为numpy array格式的数据[n_samples,n_features] [样本数，特征数]
返回值为转换之后为指定维数的数组
4）机器学习的算法训练（设计模型）
Sklearn中算法训练的基本使用：
1.实例化一个estimator类
2.estimator调用fit()方法，对送入的x_train,y_train值进行训练
3.模型评估：y_predict=estimator.(x_test)
y_predict==y_test
或：accuracy=estimator.score(x_test,y_test)计算出准确率
分类算法：
①KNN算法：
sklearn.neighbors.KNeighborsClassifier(n_neighbors=5,algorithm='auto')
n_neighbors为K值，algorithm默认为auto，一般不用设置，会选择最佳的算法
优点：简单易于理解，易于实现
缺点：懒惰算法，计算量大，内存的开销比较大，K值的选择不一定，需要找到最适合K值才能实现好的结果。
②网格搜索与交叉验证：
sklearn.model_selection.GridSearchCV(estimator,param_grid=None,cv=None)
返回值为estiamtor对象
estimator：预估器对象
param_grid:预估器参数{"n_neighbors":[1,3,5,7,9]}
cv:进行交叉验证的折数
可使用的方法：
.fit()输入训练数据进行训练
.score()输出训练的准确率
最佳参数：best_param_
最佳结果：best_score_
最佳预估器 ：best_estimator_
交叉验证结果：cv_results_
③朴素贝叶斯算法：认定各个特征之间是相互独立的。
拉普拉斯平滑系数：分子加上α，分母加上mα(训练文档中特征词出现的个数，α值常为1)
sklearn.naive_bayes.MultinomialNB(alpha=1.0)
优点：分类效率稳定，对缺失数据不太敏感，算法也比较简单，常用于文本分类
缺点：由于假设了特征之间的相互独立，如果所用的数据集中的特征之间存在关联，就会产生不合适的结果
④决策树：通过将特征进行排序，将影响更大的特征优先进行考虑，可以使用信息增益(信息熵-条件信息熵)作为判定的依据
sklearn.tree.DecisionTreeClassifier(criterion='gini',max_depth=None,random_state=None)
criterion：默认为'gini',作为判定的依据，也可以改为'entropy'即为信息增益
max_depth：树的深度大小(可以通过改变深度大小，减小决策树的过拟合)
random_state：随机数种子
决策树的可视化：
sklearn.tree.export_graphviz(estimator,out_file="tree.dot ",feature_names)
feature_names在输入之后才能显示在对应的位置
优点：简单易理解，可以实现可视化
缺点：没有设置深度，容易产生过拟合
⑤随机森林：训练集随机：随机有放回抽样；特征随机：从M个特征中，抽取m个特征，M>>m
sklearn.ensemble.RandomForestClassifier(n_estimator=10,criterion='gini',max_depth=None,bootstrap=True,random_state=None,min_sample_lit=2)
max_features="auto"：默认为“auto”，每个决策树的最大特征数量，即为m值得选取方法。
if"auto",求平方根；if"sqrt"，求平方根；if"log2"，求log2（）；if None,使用M值
{"n_estimators":[120,200,300,500,800,1200],"max_depth":[5,8,10,15,30]}
优点：具有很好的准确率，处理高维样本很有优势
回归算法：
①线性回归：将目标值和特征值当做线性关系，来实现拟合，得到回归算法。线性模型不等于线性关系，参数一致的非线性关系也可以称作线性模型。
正规方程：sklearn.linear_model.LinearRegression(fit_intercept=True)
fit_intercept:是否计算偏置
LinearRegression.coef_:回归系数
LinearRegression.intercept_:偏置
梯度下降：sklearn.linear_model.SGDRegressor(loss="squared_loss"，fit_intercept=True，learning_rate='invscaling',eta0=0.01)
loss:损失类型，squared_loss最小二乘法的损失函数类型
max_iter:迭代次数
fit_intercept:是否计算偏置
learning_rate：string，optional（指的是步长）
'constant':eta=eta0
''optional":eta=1.0/(alpha*(t+t0))[defult]
'invscaling':eta=eta0/pow(t,power_t) power_t=0.25
SGDRegressor.coef_:回归系数
SGDRegressor.intercept_:偏置
模型评估方法（均方误差评估）：sklearn.metrics.mean_squared_error(y_true,y_pre)
y_true:真实值
y_pre:预测值
return：浮点数结果
②岭回归：进行正则化处理时削弱某些特征值的作用，从而结果过拟合与欠拟合的问题。
L1正则化：直接删除，L2正则化：削弱作用
sklearn.linear_model.Ridge(alpha=1.0,fit_intercept=True,solver"auto",normolize=False)
alpha：正则化力度，也叫λ取值0~1或者1~10
solver：会根据数据集自动选择优化方法
normalize：数据是否进标准化，如果设置为True就不用再前面进行标准化，实现效果是一样的
Ridge.coef_:回归系数
Ridge.intercept_:偏置
Ridge方法相当于SGDRegressor(penalty='l2',loss="squared_loss"),但是后者缺少可SAG
③逻辑回归：sklearn.linear_model.LogisticRegression(solver="liblinear",penalty="l2"C=1.0)
solver：优化求解方式
penalty：正则化种类
C：正则化力度
模型评估(精确率和召回率)：sklearn.metrics.classification_report(y_true,y_pre,lables[],targer_names=None)
lables：指定类别对应的数字
target_names：目标类别名称
return：每个类别的精确率和召回率
模型评估(ROC曲线和AUC指标)：sklearn.metrics.roc_auc_score(y_true,y_score)
y_true=每个样本的真实类别，必须为0(反例)，1(正例)
y_score=预测得分，可以是正例的估计概率，置信值，分类器方法的返回值
AUC只能用来评估二分类的问题，非常适合评价样本不均衡中的分类器性能
模型保存和加载：sklearn.externals. joblib
保存模型：joblib.dump(estimator,"my_ridge.pkl")
加载模型：estimator=joblib.load("my_ridge.pkl")
无监督学习：
K-means算法：sklearn.cluster.KMeans(n_clusters=8)
n_clusters：聚类中心的数量
_lables_：默认标记的类型，可以和真实值进行比较
模型评估：高内聚，低耦合(外部距离最大化，内部距离最小化)
sklearn.metrics.silhouette_score(X,labels)轮廓系数
X：特征值
labels：被聚类标记的目标值