发布于 2016-03-30 00:23:55 | 164 次阅读 | 评论: 0 | 来源: 分享
scikit-learn Python机器学习工具包
scikit-learn 是一个 Python 的机器学习项目。是一个简单高效的数据挖掘和数据分析工具。基于 NumPy、SciPy 和 matplotlib 构建。
Scikit 是一个开源的 Python 机器学习库。主要涵盖了分类、回归分析、聚类等算法，具体包括支持向量机、随机森林、梯度提升（gradient boosting）、K-means 和 DBSCAN 等算法，同时也集成了 Python 的数据科学包 NumPy 和 SciPy。
下面是5个利用 SciKit 进行文本分类的案例
初创智能公司的新闻分类：CB Insights，一个初创智能公司的数据供应商，展示了一个范例，它能将信息划分为人力资源相关和员工相关两类。该公司评估包括人力资源运作在内的私企的运营状况。这项工作包括对招聘工作中的工作职位和关键员工的招聘与离职进行程序化的监控。他们使用 Sci-Kit 来帮助展开工作。人力资源问题的分类是一个二元问题，因为对公司来说只需要区分出信息是否与人力资源问题相关即可。这个分类问题包含五个非正式的部分：1.数据预处理和特征提取（文档重现）。2.特征选择。3.分类。4.评估比较不同的分类器。5.根据给定标准选择最好的分类器（标准如分类准确性、F 值、 精确率或召回率）。
投资类信息分类：Quantstart 的一篇文章讲解了如何利用自然语言文档分类进行情绪分析，从而最终实现自动过滤交易或产生信号。它利用支持向量机将文档分为互不相关的类别。
网页分类： Scraping Hub 通过改变模型、选择简化的特征、做特征选择，以此将分类器简化为不那么占用内存的模型，利用简化的预处理步骤等方法优化了 Scikit 模型的内存占用率。
垃圾邮件分类：Zac Stewart 展示了一个利用 Sci-Kit 文档分类器进行垃圾邮件分类的方法。数据集综合了 安然垃圾邮件集 （原始数据 ）和筛选的 公共语料库 。二者都可以从网上下载。项目以原始数据标记过的邮件进行处理，最终得到一个有效合理且精确的垃圾邮件过滤器。
音乐用户资料匹配：IBM 分享了一个基于 SciKit 的研究案例，研究建立一个模拟用户产品购买历史记录的模型。一个简单的应用场景是，根据每个客户购买的特定产品，以及相对应的文本化的产品描述，提供音乐档案。