Scikit-learn 是一个python的开源库，其提供了统一的接口，用于实现机器学习、数据预处理、交叉检验和可视化算法。本文汇集了该工具库的常用方法，方便查阅和参考。

导入数据

所需数据为数值类型，可用Numpy数组或Scipy稀疏矩阵保存；如果数据为其他类型，需要转换为数值类型的数组，如Pandas Dataframe数据就需要转换为数值型数组。

训练数据和测试数据

模型拟合

监管学习：

非监管学习：

预测

监管预测：

非监管预测：

数据预处理

数据标准化：

范式化：

二进制化：

分类特征编码：

处理缺失的数据：

生成多个特征：

创建模型

创建监管学习预测模型

（1）线性回归模型

（2）支持向量机模型（SVM）

（3）朴素贝叶斯模型

（4）KNN模型

非监管学习预测模型

（1）主成分分析（PCA）

（2）K means模型

模型评估

分类评价指标

（1）准确度评分

（2）生成分类报告

（3）混淆矩阵

回归评价指标

（1）均值绝对误差

（2）均值平方根误差

（3）R平方评分

聚类评价指标

（1）调整兰德系数

（2）同质化评价

（3）V-measure评分

模型调优

网格搜索：

随机参数优化：