声明：代码的运行环境为Python3。Python3与Python2在一些细节上会有所不同，希望广大读者注意。本博客以代码为主，代码中会有详细的注释。相关文章将会发布在我的个人博客专栏《Python从入门到机器学习》，欢迎大家关注。下面开始我们的第六讲：Sklearn库和TensorFlow框架。
目录
六、Sklearn库和TensorFlow框架
本文主要对Sklearn库和TensorFlow框架进行介绍，Sklearn库中封装了大量的算法，如：分类、回归、聚类等等。它跟TensorFlow框架都是机器学习中至关重要的一环。
一、Sklearn库
Sklearn是Python中的一个非常重要的机器学习库，在Sklearn库中不仅封装了大量的机器学习算法，它还内置了数据集，节省了获取和整理数据的时间。下面将简单介绍一下Sklearn库中常用的算法。
1、无监督学习算法
| 算法 |
说明 |
| cluster |
聚类 |
| decomposition |
因子分解 |
| mixture |
高斯混合模型 |
| neural_network |
无监督的神经网络 |
| covariance |
协方差估计 |
2、监督学习算法
| 算法 |
说明 |
| tree |
决策树 |
| svm |
支持向量机 |
| neighbors |
近邻算法 |
| linear_model |
广义线性模型 |
| neural_network |
神经网络 |
| kernel_ridge |
岭回归 |
| naive_bayes |
朴素贝叶斯 |
| cross_decomposition |
交叉分解 |
3、数据变换
| 算法 |
说明 |
| feature_extraction |
特征提取 |
| feature_selection |
特征选择 |
| preprocessing |
预处理 |
注意：以上的每个模型中都包含着多个算法，使用某算法时，直接导入需要的包即可。例如：
from sklearn.linear_model import logistic二、TensorFlow框架的基本使用
TensorFlow是一个编程系统，使用图来表示计算任务。图中的节点被称之为op（operation的缩写）。一个op获得0个或多个tensor，执行计算并产生0个或多个tensor。每个 tensor是一个类型化的多维数组。在Python语言中，返回的tensor是NumPy中的ndarray对象。下面我们就对TensorFlow如何使用进行简单的介绍。
1、常量变量的定义
# 导入需要的包
import tensorflow as tf
#常量的定义
cl = tf.constant(9)
# 变量的定义
bl = tf.Variable(tf.zeros(2, 2))
# 变量要想使用，需要执行以下代码
init = tf.initialize_all_variables()
如上例所示，调用TensorFlow中的constant()方法可以定义一个常量，调用Variable()方法可以定义一个变量。这里需要注意的是，变量定义完之后如果想要使用的话还要执行上例中的最后一条代码。
2、占位符的使用
占位符常用于变量定义时，定义变量需要初始化，但是有些变量在定义的时候是不知道他们的值的，这个时候就可以使用占位符来代替，定义方法如下。
# 占位符
zwf = tf.placeholder(tf.int16, [None, 88])
placeholder()方法可以定义一个占位符。上例中定义的占位符指定了zwf这个变量的类型和大小。
3、图的使用
就像上面所说的那样，在TensorFlow中，要实现具体的运算，如最基本的加减乘除，我们不能直接定义几个变量进行运算，要使用图来表示计算任务。一个TensorFlow图描述了计算的过程。为了进行计算, 图必须在session里被启动，session运行整个计算过程。
a = tf.Variable(5)
b = tf.Variable(5)
c = a * b
init = tf.initialize_all_variables()
with tf.Session() as sess:
sess.run(init)
print(sess.run(c))
输出结果：
25 上例中的sess.run()是执行操作，session创建使用完之后要释放。如果使用占位符的话，需要使用run()方法中的feed_dict参数为其赋值。
注意：要先执行初始化变量操作再执行相应的运算。
你们在此过程中遇到了什么问题，欢迎留言，让我看看你们都遇到了哪些问题。