Scikit-learn是一個基於Python的開源機器學習庫，它提供了大量的機器學習演算法和工具，方便用戶進行數據挖掘、分析和預測。

Scikit-learn是基於另外兩個知名的庫 Scipy 和 Numpy的，
關於 Scipy 和 Numpy 等庫，之前的系列文章中有介紹：

1. Scipy 基礎系列
2. Numpy 基礎系列

1. 概要

自從AlphaGo再度帶起機器學習和AI的熱潮以來，我們聽到最多的機器學習框架是 TensorFlow，PyTorch以及Keras等等。

Scikit-learn與它們相比，知名度要低不少，這是因為Scikit-learn庫關註的是傳統的機器學習領域中經典的，被廣泛應用和驗證的演算法。
它完全不涉及TensorFlow，PyTorch以及Keras等框架所在的深度學習領域。

雖然看起來Scikit-learn似乎遠遠不如那些流行的深度學習框架，
但從我個人的經驗來看的話，學習和掌握Scikit-learn的意義遠遠大於那些深度學習框架。

首先，Scikit-learn歷史悠久，發展至今，不僅提供了豐富的文檔和參考樣例，甚至連訓練數據都準備好了，隨時都可以拿來實驗機器學習演算法。

其次，深度學習雖好，但是使用要求也高。
除了掌握其演算法，還必須有大量的數據和高性能的硬體，這絕不是個人和普通企業所能提供的。
未來，大概率是由幾個頭部大企業訓練出模型，然後開放API給我們使用，個人和中小企業訓練自己的深度學習模型的概率並不高。

而Scikit-learn則與之不一樣，它所包含的傳統機器學習中的很多優秀演算法並不需要海量的數據，在數據量不大的情況下依舊可以訓練出優秀的模型。

最後，就我自己平時的數據分析相關項目的實踐來看，Scikit-learn是一個真正稱手的工具。
我平時的項目中會接觸到各類數據，比如氣象數據，銷售數據，還有一些交易類的數據等等，
由於服務的客戶規模不大，所以數據量一般最多也就千萬級別。
使用Scikit-learn，能夠方便快速的從這些數據中分析出有意義結果。

舉個不太恰當的例子，目前流行的深度學習框架相對於Scikit-learn，就像飛機相對於自行車或小汽車。
學會開飛機後，可能實操的機會並不多（除非你在大廠的AI部門）；
但是學會騎車和開車，總會有用到它的地方，而且由於其便利簡單，還會越用越多。

2. 主要模塊

Scikit-learn的主要功能包括數據預處理，模型選擇，數據降維，分類，回歸和聚類等。

• 數據預處理包括數據的特征提取、歸一化、標準化等。
• 模型選擇是對給定參數和模型進行比較、驗證和選擇，以提升預測精度。
• 數據降維是通過降維技術來減少要考慮的隨機變數的個數，常見的應用場景有可視化處理、效率提升等。
• 分類是給對象指定所屬類別範疇的有監督學習，常見的應用場景有垃圾郵件檢測、圖像識別等。
• 回歸是預測與給定對象相關的連續屬性的值，常見的應用場景有預測股票價格、預測二手房交易價格等。
• 聚類是自動識別具有相似屬性的給定對象，並將其分組，屬於無監督學習，常見的應用場景有顧客細分、實驗結果分組等。

從功能上看，涵蓋了機器學習從數據處理開始，到各類模塊訓練演算法，最後到模型的驗證和調優等完整的生命周期。

3. 系列文章規劃

Scikit-learn的子模塊劃分非常細，從命名空間來看的話，大概有接近40個模塊。
分別介紹各個子模塊意義不大，不如直接看官方文檔，本系列的文章打算從使用者的角度來介紹它。

先從數據和數據處理的角度入手，
然後結合自己工作中的實際經驗介紹Scikit-learn中的一些機器學習的演算法，
最後介紹訓練模型時和訓練之後對模型的一些修正和調優的方法。

希望能夠對喜愛數據分析的朋友們有所幫助！