分類
識別物件所屬的類別。
應用場景： 垃圾郵件檢測、影像識別。
演算法： 梯度提升 (Gradient boosting)、最近鄰 (Nearest neighbors)、隨機森林 (Random forest)、邏輯迴歸 (Logistic regression) 以及 更多...
迴歸
預測與物件關聯的連續值屬性。
應用場景： 藥物反應、股票價格。
演算法： 梯度提升 (Gradient boosting)、最近鄰 (Nearest neighbors)、隨機森林 (Random forest)、嶺迴歸 (Ridge) 以及 更多...
模型選擇
比較、驗證並選擇引數和模型。
應用場景： 透過引數調優提高精度。
演算法： 網格搜尋 (Grid search)、交叉驗證 (Cross validation)、指標 (Metrics) 以及 更多...
預處理
特徵提取與歸一化。
應用場景： 轉換輸入資料（如文字），以便與機器學習演算法配合使用。
演算法： 預處理 (Preprocessing)、特徵提取 (Feature extraction) 以及 更多...
“我們使用 scikit-learn 來支援前沿的基礎研究 [...]”
“我認為這是我見過的設計最出色的機器學習包。”
“scikit-learn 的易用性、高效能以及所實現演算法的多樣性已被證明非常寶貴 [...]”
“scikit-learn 的一大優勢是其學習曲線非常平滑 [...]”
“它使我們能夠完成原本無法實現的超棒工作。”
“scikit-learn 讓任何人都能在 Python 中進行高階分析。”