一、sklearn基础知识介绍
机器学习是一种人工智能的应用，sklearn是Python中应用广泛的机器学习库。主要提供的功能包括分类、回归、聚类、降维等多个方面，简化了机器学习中的繁琐计算过程，使得不会高级计算的开发者也可以轻松使用机器学习技术。
在sklearn中最常用的对象为“数据集”和“模型”。数据集训练、测试集数据处理和筛选等操作对于机器学习的结果有着非常大的影响，因此理解sklearn中数据集的操作方法是非常重要的。
在使用sklearn时，我们需要先安装sklearn库以及其依赖库。下面将详细介绍sklearn安装的方法。
二、Windows下sklearn安装方法
1、为了使用sklearn，我们需要Python环境，建议安装Anaconda，将同时安装Python和sklearn。
2、在命令行或者anaconda prompt中输入以下命令:
pip install -U scikit-learn该命令将会自动下载并安装sklearn，如果网络不太稳定或者过慢，可以手动下载安装包，URL为 https://pypi.org/project/scikit-learn/ 。
3、检查是否安装成功。在命令行或者anaconda prompt中输入以下命令:
python -m sklearn如果没有报错则说明安装成功。
三、Mac OS X下sklearn安装方法
1、和Windows一样，我们需要Python环境，建议安装Anaconda，将同时安装Python和sklearn。
2、在终端中输入以下命令:
pip install -U scikit-learn该命令将会自动下载并安装sklearn，如果网络不太稳定或者过慢，可以手动下载安装包，URL为 https://pypi.org/project/scikit-learn/ 。
3、检查是否安装成功。在终端中输入以下命令:
python -m sklearn如果没有报错则说明安装成功。
四、Linux下sklearn安装方法
1、和Windows一样，我们需要Python环境，建议安装Anaconda，将同时安装Python和sklearn。
2、在终端中输入以下命令:
pip install -U scikit-learn该命令将会自动下载并安装sklearn，如果网络不太稳定或者过慢，可以手动下载安装包，URL为 https://pypi.org/project/scikit-learn/ 。
3、检查是否安装成功。在终端中输入以下命令:
python -m sklearn如果没有报错则说明安装成功。
五、sklearn使用示例
1、使用sklearn分别读取数据集（fetch_20newsgroups）和训练模型（NaiveBayes分类器）的示例代码：
from sklearn.datasets import fetch_20newsgroups
from sklearn.naive_bayes import MultinomialNB
from sklearn.feature_extraction.text import TfidfVectorizer
# 读取数据集
news = fetch_20newsgroups(subset='all')
X_train, X_test, y_train, y_test = train_test_split(news.data, news.target, test_size=0.3)
# 特征提取
vectorizer = TfidfVectorizer()
X_train = vectorizer.fit_transform(X_train)
X_test = vectorizer.transform(X_test)
# 训练模型
clf = MultinomialNB()
clf.fit(X_train, y_train)
# 预测并评估模型
y_pred = clf.predict(X_test)
score = clf.score(X_test, y_test)
print("预测的分类结果：", y_pred)
print("预测的准确率：", score)2、使用sklearn进行数据预处理的代码示例：
from sklearn import preprocessing
# 初始化数据
data = [[0, 0], [0, 0], [1, 1], [1, 1]]
# 标准化数据
scaler = preprocessing.StandardScaler().fit(data)
print(scaler.mean_)
print(scaler.transform(data))以上是两个简单的使用实例，当然sklearn还包括更多接口以及功能，希望读者可以深入了解。
