【scikit-learn基础】--概述
Scikit-learn是一个基于Python的开源机器学习库，它提供了大量的机器学习算法和工具，方便用户进行数据挖掘、分析和预测。
Scikit-learn是基于另外两个知名的库 Scipy 和 Numpy的，
关于 Scipy 和 Numpy 等库，之前的系列文章中有介绍：
- Scipy 基础系列
- Numpy 基础系列
1. 概要
自从AlphaGo再度带起机器学习和AI的热潮以来，我们听到最多的机器学习框架是 TensorFlow，PyTorch以及Keras等等。
Scikit-learn与它们相比，知名度要低不少，这是因为Scikit-learn库关注的是传统的机器学习领域中经典的，被广泛应用和验证的算法。
它完全不涉及TensorFlow，PyTorch以及Keras等框架所在的深度学习领域。
虽然看起来Scikit-learn似乎远远不如那些流行的深度学习框架，
但从我个人的经验来看的话，学习和掌握Scikit-learn的意义远远大于那些深度学习框架。
首先，Scikit-learn历史悠久，发展至今，不仅提供了丰富的文档和参考样例，甚至连训练数据都准备好了，随时都可以拿来实验机器学习算法。
其次，深度学习虽好，但是使用要求也高。
除了掌握其算法，还必须有大量的数据和高性能的硬件，这绝不是个人和普通企业所能提供的。
未来，大概率是由几个头部大企业训练出模型，然后开放API给我们使用，个人和中小企业训练自己的深度学习模型的概率并不高。
而Scikit-learn则与之不一样，它所包含的传统机器学习中的很多优秀算法并不需要海量的数据，在数据量不大的情况下依旧可以训练出优秀的模型。
最后，就我自己平时的数据分析相关项目的实践来看，Scikit-learn是一个真正称手的工具。
我平时的项目中会接触到各类数据，比如气象数据，销售数据，还有一些交易类的数据等等，
由于服务的客户规模不大，所以数据量一般最多也就千万级别。
使用Scikit-learn，能够方便快速的从这些数据中分析出有意义结果。
举个不太恰当的例子，目前流行的深度学习框架相对于Scikit-learn，就像飞机相对于自行车或小汽车。
学会开飞机后，可能实操的机会并不多（除非你在大厂的AI部门）；
但是学会骑车和开车，总会有用到它的地方，而且由于其便利简单，还会越用越多。
2. 主要模块
Scikit-learn的主要功能包括数据预处理，模型选择，数据降维，分类，回归和聚类等。
- 数据预处理包括数据的特征提取、归一化、标准化等。
- 模型选择是对给定参数和模型进行比较、验证和选择，以提升预测精度。
- 数据降维是通过降维技术来减少要考虑的随机变量的个数，常见的应用场景有可视化处理、效率提升等。
- 分类是给对象指定所属类别范畴的有监督学习，常见的应用场景有垃圾邮件检测、图像识别等。
- 回归是预测与给定对象相关的连续属性的值，常见的应用场景有预测股票价格、预测二手房交易价格等。
- 聚类是自动识别具有相似属性的给定对象，并将其分组，属于无监督学习，常见的应用场景有顾客细分、实验结果分组等。
从功能上看，涵盖了机器学习从数据处理开始，到各类模块训练算法，最后到模型的验证和调优等完整的生命周期。
3. 系列文章规划
Scikit-learn的子模块划分非常细，从命名空间来看的话，大概有接近40个模块。
分别介绍各个子模块意义不大，不如直接看官方文档，本系列的文章打算从使用者的角度来介绍它。
先从数据和数据处理的角度入手，
然后结合自己工作中的实际经验介绍Scikit-learn中的一些机器学习的算法，
最后介绍训练模型时和训练之后对模型的一些修正和调优的方法。
希望能够对喜爱数据分析的朋友们有所帮助！