来，先练5个Scikit-learn的算法试试

Logistic回归

Logistic回归为概率型非线性回归模型，是研究二分类观察结果

与一些影响因素

之间关系的一种多变量分析方法。可用于数据分类和曲线拟合回归。

from sklearn.ensemble import LogisticRegression

softmax_reg = LogisticRegression（multi_class =“multinomial”，solver =“lbfgs”，C = 5） 
softmax_reg.fit（X，Y） 
pred = softmax_reg.predict（X_test） 

支持向量机

支持向量机通过构建超平面来对数据集进行分类工作，其内部可采用不同的核函数以满足不同数据分布，目前支持向量机怕是大家最熟悉的一种机器学习算法了吧。

from sklearn.ensemble import svm

clf = svm.SVC（gamma ='scale'，decision_function_shape ='ovo'） 
clf.fit（X，Y） 
pred = clf.predict（X_test） 

朴素贝叶斯

朴素贝叶斯是经典的机器学习算法之一，也是为数不多的基于概率论的分类算法。朴素贝叶斯也许是本文中讨论的所有模型中最简单的一个。朴素贝叶斯非常适合少量数据的参数估计。朴素贝叶斯应用贝叶斯定理，其假设每个特征之间具有条件独立性。

from sklearn.ensemble import GaussianNB

clf = GaussianNB（） 
clf.fit（X，Y） 
pred = clf.predict（X） 

随机森林

随机森林是一种基于Bagging的集成学习模型。通过使用Bootstraping从原数据集随机抽取n个子数据集来训练n颗决策树，然后再将n颗决策树结果结合起来形成准确率更高的强学习器。特别是在Kaggle比赛中。随机森林通过在数据集的子样本上拟合决策树分类器。然后综合分类性能以获得高精度，同时避免过度拟合。

from sklearn.ensemble import RandomForestClassifier

clf = RandomForestClassifier(n_estimators = 100，max_depth = 2,random_state = 0） 
clf.fit（X，Y） 
pred = clf.predict（X）

AdaBoost

AdaBoost是一种集成学习模型分类器，是典型的Boosting算法，属于Boosting家族的一员。AdaBoost思想是将关注点放在被错误分类的样本上，减小上一轮被正确分类的样本权值，提高那些被错误分类的样本权值。然后，再根据所采用的基学习器进行学习训练。其在sklearn中调用的示例代码如下：

from sklearn.ensemble import AdaBoostClassifier

clf = AdaBoostClassifier（n_estimators = 100） 
clf.fit（X，Y） 
pred = clf.predict（X）

总结

sklearn是机器学习的一个最佳选择，里面有常用的分类算法、回归算法、无监督算法以及数据处理接口，调用只需几行代码就可以实现你的机器学习模型。通过本次的5个示例，相信你已经能基本掌握sklearn中算法调用方式，在需要调用其它算法时方式都是一样的，希望能对你的机器学习之路有所帮助。