我的AI之路(9)--使用scikit-learn

看了深度学习理论和算法的一些书后想动手实践找感觉的话，scikit-learn.org是个很好的选择，一般书上给的例子都零散不成体系，而且往往只是书的作者本人用到过或者了解的那几个算法，或者干脆抄的框架工具网站上的示例，而scikit-learn上面提供了有监督学习(Supervised Learning)的分类(Classification)和回归(Regression)、无监督学习(Unsupervised Learning)的数据聚类(Clustering)和数据降维(Dimensionality Reduction)的多种常用算法的python代码实现，API非常写得非常友好易懂，示例解说比较清楚，文档写得很全面，有安装说明，在Documentation菜单里有在线Tutorials、API说明，如果点击Documentation菜单里的PDF Documentation，还能生成一个2000多页的pdf文档可下载到本地看，内容应有尽有，十分方便完善，真是好人啦，以前很少见过开源网站的文档做得这么贴心的。网站上提供有参数和模型选择比较说明

Model selection

，还有一个很实用的东东隐藏在Tutorials里面，就是关于如何选择算法，这可是我看了的N本书上都没说的好东东：点菜单Documentation，然后点Tutorials，然后到页面靠底部位置点那个Choosing the right estimator

可以看到下面这张大图：

这张图说明了根据你的任务是(离散性)分类预测还是(连续性)数值预测、数据有无标签、样本数据规模等前提条件如何选择分类、回归、聚类、降维四大类算法中的某种合适算法，点击图上的热点还可以进入相应的文档，这个东东真的很有用，以前看了的书上都是哇哩哇啦的说一堆算法，根本没这么理清楚关系，看了这图一下有了醍醐灌顶豁然开朗的感觉。

sckit-learn虽然不能做分布式计算，据说也不能处理大规模级别数据，但是它提供常用算法的python代码实现和清楚明晰的API说明和指南文档对于我们用于学习和熟悉算法的使用来说裨益很大，而且只需要安装Python和numpy、scipy等相关支持包既可以用起来，无需使用TF等框架，创建和维护scikit-learn的人实在是活雷锋啊，感动ing 它加速了我的梦想实现：尽快熟悉N种算法，哪天能参加Kaggle竞赛...