『壹』 sk包裡面有什麼區別
scikit-learn（簡稱sk）是一個功能強大的機器學習庫，其內部包含了多種演算法和工具，用於數據挖掘和數據分析。以下是scikit-learn包內主要組成部分及其區別：
分類（Classification）：
- 線性模型：包括邏輯回歸、支持向量機（SVM）、感知機、嶺回歸（雖然主要用於回歸，但也可用於分類）。
- 樹模型：如決策樹、隨機森林、梯度提升樹等，適用於不同復雜度的分類任務。
- 其他：如樸素貝葉斯、集成方法等，提供了多種分類策略。
回歸（Regression）：
- 線性回歸：最基礎的回歸方法。
- 嶺回歸和Lasso回歸：適用於處理高維數據和防止過擬合。
- 樹回歸模型：如隨機森林回歸、梯度提升回歸，適用於非線性回歸任務。
聚類（Clustering）：
- K-均值：最常用的聚類演算法之一，適用於球形數據分布。
- 層次聚類：可以生成層次化的聚類結構。
- DBSCAN：基於密度的聚類演算法，適用於發現任意形狀的簇。
降維（Dimensionality Rection）：
- 主成分分析（PCA）：最常用的降維方法，通過線性變換將數據投影到低維空間。
- 線性判別分析（LDA）：用於分類任務的降維，同時考慮數據的類別信息。
- 非負矩陣分解（NMF）：適用於非負數據的降維和特徵提取。
模型選擇（Model Selection）：
- 准則和交叉驗證：如網格搜索、隨機搜索等，用於模型參數優化。
- 模型評估：提供混淆矩陣、精確度、召回率、F1分數等指標，用於評估模型性能。
預處理（Preprocessing）：
- 數據轉換：如標准化、歸一化、編碼等，用於數據預處理和特徵工程。
- 特徵選擇：遞歸特徵消除、基於模型的特徵選擇等，用於選擇重要特徵。
- 缺失值處理：插值、刪除等，用於處理數據中的缺失值。
模型融合（Model Ensembling）：
- 集成方法：如Bagging、Boosting、Stacking等，通過組合多個模型來提高整體性能。
工具（Utilities）：
- 提供模型評估、數據集、評估指標等實用工具，方便用戶進行機器學習任務。
總之，scikit-learn提供了豐富的演算法和工具，不同組成部分之間有很多交叉和關聯，選擇哪種演算法或工具取決於具體的數據和任務需求。