Sklearn 中常见的模块和类

Sklearn 中常见的模块和类
分类（Classification）
sklearn.linear_model.LogisticRegression：逻辑回归
sklearn.svm.SVC：支持向量机分类
sklearn.neighbors.KNeighborsClassifier：K近邻分类
sklearn.ensemble.RandomForestClassifier：随机森林分类
回归（Regression）
sklearn.linear_model.LinearRegression：线性回归
sklearn.linear_model.Ridge：岭回归
sklearn.ensemble.RandomForestRegressor：随机森林回归
聚类（Clustering）
sklearn.cluster.KMeans：K均值聚类
sklearn.cluster.DBSCAN：基于密度的空间聚类
降维（Dimensionality Reduction）
sklearn.decomposition.PCA：主成分分析（PCA）
sklearn.decomposition.NMF：非负矩阵分解
模型选择（Model Selection）
sklearn.model_selection.train_test_split：将数据集划分为训练集和测试集
sklearn.model_selection.GridSearchCV：网格搜索，寻找最佳超参数
数据预处理（Preprocessing）
sklearn.preprocessing.StandardScaler：标准化
sklearn.preprocessing.MinMaxScaler：最小-最大标准化
sklearn.preprocessing.OneHotEncoder：独热编码
常用术语解释
拟合（Fit）：指将模型应用于训练数据，并通过训练调整模型的参数。model.fit(X_train, y_train)
预测（Predict）：根据训练好的模型，对未知数据进行预测。model.predict(X_test)
评估（Score）：评估模型的性能，通常返回一个评分指标，例如准确率。model.score(X_test, y_test)
交叉验证（Cross-validation）：将数据集划分为多个子集，通过多次训练和验证，评估模型的稳定性和泛化能力。
Sklearn 与其他库的关系
与 NumPy 和 SciPy 的关系：Sklearn 构建在 NumPy 和 SciPy 基础之上，因此它能够高效地处理数值计算和数组操作。
与 Pandas 的关系：Pandas 提供了强大的数据处理能力，而 Sklearn 支持从 Pandas 的 DataFrame 中直接提取数据进行模型训练和预测。
与 TensorFlow 和 PyTorch 的关系：Sklearn 主要关注传统的机器学习方法，而 TensorFlow 和 PyTorch 则更侧重于深度学习模型。尽管如此，Sklearn 与这些库可以结合使用，处理一些前期的特征工程任务，或作为基础模型与深度学习进行比较。