从该库的名字可以看出，这是一个机器学习相关的库。不错，Scikit-Learn是Python下强大的机器学习工具包，它提供了完善的机器学习工具箱，包括数据预处理、分类、回归、聚类、预测和模型分析等。

Scikit-Learn依赖于NumPy、SciPy和 Matplotlib，因此，只需要提前安装好这几个库，然后安装Scikit-Learn就基本上没有什么问题了，安装方法和前几节一样，要不就是pip install scikit-learn安装，要不就是下载源码自己安装。

创建一个机器学习的模型很简单：

# -*- coding: utf-8 -*-
from sklearn.linear_model import LinearRegression #导入线性回归模型
model = LinearRegression() #建立线性回归模型
print(model)

1）所有模型提供的接口有：

model.fit()：训练模型，对于监督模型来说是fit(X, y)，对于非监督模型是fit(X)。

2）监督模型提供的接口有：

model.predict(X_new)：预测新样本

model.predict_proba(X_new)：预测概率，仅对某些模型有用（比如LR）

model.score()：得分越高，fit越好

3）非监督模型提供的接口有：

model.transform()：从数据中学到新的“基空间”。

model.fit_transform()：从数据中学到新的基并将这个数据按照这组“基”进行转换。

Scikit-Learn本身提供了一些实例数据，比较常见的有安德森鸢尾花卉数据集、手写图像数据集等。我们有一百五十个鸢尾花的一些尺寸的观测值：萼片长度、宽度，花瓣长度和宽度。还有它们的亚属：山鸢尾（Iris setosa）、变色鸢尾（Iris versicolor）和维吉尼亚鸢尾（Iris virginica）。

# -*- coding: utf-8 -*-
from sklearn import datasets #导入数据集

iris = datasets.load_iris() #加载数据集

print(iris.data.shape) #查看数据集大小

from sklearn import svm #导入SVM模型

clf = svm.LinearSVC() #建立线性SVM分类器

clf.fit(iris.data, iris.target) #用数据训练模型

clf.predict([[ 5.0,  3.6,  1.3,  0.25]]) #训练好模型之后，输入新的数据进行预测

clf.coef_ #查看训练好模型的参数

参考链接：

http://scikit-learn.org/。