imported>Mhss：/* 例子 */

2026-02-24T01:40:59Z

例子

新页面

{{lowercase title}}
{{Infobox software
| name = scikit-learn
| logo = Scikit learn logo small.svg
| logo size = 240px
| screenshot =
| caption =
| collapsible =
| author = David Cournapeau
| developer =
| released = {{Start date and age|2007|06|df=yes}}
| latest release version = {{LSR/wikidata}}
| latest release date =
| latest preview version =
| latest preview date =
| programming language = [[Python]], [[Cython]], [[C语言|C]], [[C++]]
| operating system = [[Linux]], [[macOS]], [[Microsoft Windows|Windows]]
| platform =
| size =
| language =
| genre = [[机器学习]]库
| license = [[BSD许可证|三条款BSD许可证]]
| website = {{URL|https://scikit-learn.org/}}
}}
'''Scikit-learn'''（曾叫做'''scikits.learn'''与'''sklearn'''）是用于[[Python]][[编程语言]]的[[自由及开放源代码软件|自由并开源]]的[[机器学习]][[函式库|库]]<ref name="jmlr">{{cite journal
|author1=Fabian Pedregosa
|author2=Gaël Varoquaux
|author3=Alexandre Gramfort
|author4=Vincent Michel
|author5=Bertrand Thirion
|author6=Olivier Grisel
|author7=Mathieu Blondel
|author8=Peter Prettenhofer
|author9=Ron Weiss
|author10=Vincent Dubourg
|author11=Jake Vanderplas
|author12=Alexandre Passos
|author13=David Cournapeau
|author14=Matthieu Perrot
|author15=Édouard Duchesnay
|title=Scikit-learn: Machine Learning in Python
|journal=Journal of Machine Learning Research
|year=2011
|volume=12
|pages=2825–2830
|url=http://jmlr.org/papers/v12/pedregosa11a.html
|access-date=2020-10-31
|archive-date=2020-12-01
|archive-url=https://web.archive.org/web/20201201144331/https://jmlr.org/papers/v12/pedregosa11a.html
|dead-url=no
}}</ref>。它包含了各种[[统计分类|分类]]、[[回归分析|回归]]和[[聚类分析|聚类]]算法，包括[[多层感知器]]、[[支持向量机]]、[[随机森林]]、[[梯度提升技术|梯度提升]]、[[K-平均算法|k-平均聚类]]和[[DBSCAN]]，它被设计协同于Python数值库[[NumPy]]和和科学库[[SciPy]]。

==概述==
scikit-learn计划开始于scikits.learn，它是{{le|David Cournapeau|}}的[[Google编程之夏]]计划。它的名字来源自成为“SciKit”（SciPy工具箱）的想法，即一个独立开发和发行的第三方SciPy扩展<ref>{{cite web
|url=https://scikits.appspot.com/scikit-learn
|title=scikit-learn
|last1=Dreijer
|first1=Janto
|accessdate=2020-10-31
|archive-date=2020-11-07
|archive-url=https://web.archive.org/web/20201107212923/https://scikits.appspot.com/scikit-learn
|dead-url=no
}}</ref>。最初的[[代码库]]被其他开发者重写了。在2010年，来自法国[[罗康库尔]]的[[法国国家信息与自动化研究所]]的Fabian Pedregosa、Gael Varoquaux、Alexandre Gramfort和Vincent Michel，领导了这个项目并在2010年2月1日进行了首次公开发行<ref>{{cite web|url=https://scikit-learn.org/stable/about.html#history|title=About us — scikit-learn 0.20.1 documentation|website=scikit-learn.org|accessdate=2020-10-31|archive-date=2020-11-06|archive-url=https://web.archive.org/web/20201106105637/https://scikit-learn.org/stable/about.html#history|dead-url=no}}</ref>。在各种scikit中，scikit-learn和{{le|scikit-image|}}{{As of|2012|11}}是“良好维护和流行的”<ref>{{cite book
|author=Eli Bressert
|title=SciPy and NumPy: an overview for developers
|publisher=O'Reilly
|date=2012
|url=https://books.google.com/books?id=fLKTuJqQLVEC&pg=PA43
|page=43
|access-date=2020-10-31
|archive-date=2016-04-25
|archive-url=https://web.archive.org/web/20160425002833/https://books.google.com/books?id=fLKTuJqQLVEC&pg=PA43
|dead-url=no
}}</ref>。Scikit-learn是在[[GitHub]]上最流行的机器学习库之一<ref>{{Cite web|url=https://github.blog/2019-01-24-the-state-of-the-octoverse-machine-learning/|title=The State of the Octoverse: machine learning|date=2019-01-24|website=The GitHub Blog|publisher=[[GitHub]]|language=en-US|access-date=2019-10-17|archive-date=2020-11-07|archive-url=https://web.archive.org/web/20201107225633/https://github.blog/2019-01-24-the-state-of-the-octoverse-machine-learning/|dead-url=no}}</ref>。

== 特征 ==

* 聚成大型目录的成熟的机器学习算法和数据预处理方法（比如[[特征工程]]）。
* 常见数据科学任务的实用方法，比如将数据分裂成[[训练集、验证集和测试集|训练集和测试集]]、[[交叉验证]]和[[超参数优化#网格搜索|网格搜索]]。
* 运行机器学习模型的一致方式（{{code|estimator.fit()|python}}和{{code|estimator.predict()|python}}），模型库可以实现它们。
* 构造数据科学处理过程的声明式方式（{{Code|Pipeline|Python}}），包括数据预处理和模型拟合。

== 例子 ==
拟合一个[[随机森林]][[统计分类|分类器]]：
<syntaxhighlight lang="pycon">
>>> from sklearn.ensemble import RandomForestClassifier
>>> classifier = RandomForestClassifier(random_state=0)
>>> X = [[ 1, 2, 3], # 2 samples, 3 features
... [11, 12, 13]]
>>> y = [0, 1] # classes of each sample
>>> classifier.fit(X, y)
RandomForestClassifier(random_state=0)
</syntaxhighlight>

==实现==
Scikit-learn主要用Python编写的，并广泛使用[[NumPy]]进行高性能线性代数和数组运算。此外，一些核心算法用[[Cython]]书写来以提高性能。在某些情况下，用Python扩展出特定方法是不可能的；比如[[支持向量机]]，是通过用Cython包装{{le|LIBSVM}}实现；[[逻辑斯谛回归]]和[[支持向量机#线性SVM|线性支持向量机]]，是通过对{{le|LIBLINEAR}}的类似的包装实现的。

Scikit-learn与很多其他Python库可以良好的集成起来，比如用于绘图的[[matplotlib]]和{{le|plotly}}，用于阵列向量化的[[NumPy]]，用于数据帧的[[pandas]]，用于科学计算的[[SciPy]]等等。

==有关工具==
*sklearn-onnx是将scikit-learn模型转换成[[ONNX]]的工具<ref>{{cite web|url=https://github.com/onnx/sklearn-onnx|title=sklearn-onnx — Convert scikit-learn models and pipelines to ONNX|access-date=2023-09-22|archive-date=2023-10-11|archive-url=https://web.archive.org/web/20231011015436/https://github.com/onnx/sklearn-onnx|dead-url=no}}</ref>。
*SciKeras是对[[Keras]]模块的scikit-learn兼容的包装器<ref>{{cite web|url=https://github.com/adriangb/scikeras/|title=SciKeras － Scikit-Learn API wrapper for Keras|access-date=2022-09-01|archive-date=2022-06-19|archive-url=https://web.archive.org/web/20220619122130/https://github.com/adriangb/scikeras|dead-url=no}}</ref>。
*skorch是包装了[[PyTorch]]的scikit-learn兼容的神经网络库<ref>{{cite web|url=https://github.com/skorch-dev/skorch|title=skorch － A scikit-learn compatible neural network library that wraps PyTorch|access-date=2022-09-01|archive-date=2022-08-24|archive-url=https://web.archive.org/web/20220824221749/https://github.com/skorch-dev/skorch|dead-url=no}}</ref>。

==参见==
* {{le|mlpy|}}
* {{le|SpaCy|}}
* {{le|自然语言工具箱|Natural Language Toolkit|NLTK}}
* {{le|Orange (软件)|Orange (software)|Orange}}
* [[PyTorch]]
* [[TensorFlow]]
* {{le|Infer.NET|}}
* [[数值分析软件]]

==引用==
{{Reflist|30em}}

==外部链接==
* {{Official website|https://scikit-learn.org/}}

{{SciPy ecosystem}}
{{深度学习软件}}

[[Category:数据挖掘和机器学习软件]]
[[Category:自由统计软件]]
[[Category:Python科学库]]
[[Category:使用BSD许可证的软件]]

Scikit-learn - 版本历史

imported>Mhss：​/* 例子 */

imported>Mhss：/* 例子 */