作為一個適用于 Python 編程語言的機器學(xué)習(xí) (ML) 庫，Scikit-learn 擁有大量算法，可供程序員和數(shù)據(jù)科學(xué)家在機器學(xué)習(xí)模型中輕松部署。

什么是 Scikit-learn?

Scikit-learn 是一個熱門且可靠的機器學(xué)習(xí)庫，擁有各種算法，同時也是用于 ML 可視化、預(yù)處理、模型擬合、選擇和評估的工具。

Scikit-learn 基于 NumPy、SciPy 和 matplotlib 構(gòu)建，并具有大量用于分類、回歸和集群的高效算法。其中包括支持向量機、隨機森林、梯度提升、k-means 和 DBSCAN。

Scikit-learn 擁有一致且設(shè)計高效的 API、適用于大多數(shù)算法的豐富文檔以及大量在線教程，因此相對易于開發(fā)。

當(dāng)前版本可用于 Linux、MacOS 和 Windows 等熱門平臺。

為何選擇 Scikit-learn?

得益于其相對易于使用、且設(shè)計周到又充滿熱情的社區(qū)，Scikit-learn API 已成為機器學(xué)習(xí)實施的實際標(biāo)準(zhǔn)。

Scikit-learn 為 ML 模型構(gòu)建、擬合及評估提供了以下模塊：

預(yù)處理是指 Scikit-learn 工具，這些工具可用于數(shù)據(jù)分析期間的特征提取和歸一化。

分類是指一組工具，這組工具可識別機器學(xué)習(xí)模型中與數(shù)據(jù)相關(guān)的類別。例如，這些工具還可用于將電子郵件分類為有效郵件或垃圾郵件。實際上，分類可確定目標(biāo)所屬的類別。

回歸是指 ML 模型的創(chuàng)建，該模型試圖理解輸入和輸出數(shù)據(jù)(例如行為或股票價格)之間的關(guān)系?；貧w可預(yù)測與目標(biāo)關(guān)聯(lián)的連續(xù)值屬性。

Scikit-learn 中的聚類工具自動將具有相似特征的數(shù)據(jù)以集的形式進行分組，例如根據(jù)物理位置排列成集的客戶數(shù)據(jù)。

降維可減少用于分析的隨機變量數(shù)量。例如，為了提升可視化的效率，可能會將離散數(shù)據(jù)排除在外。

模型選擇是指算法及其提供相應(yīng)工具的能力，并且這些工具能夠比較、驗證和選擇最佳參數(shù)，以將其用于數(shù)據(jù)科學(xué)機器學(xué)習(xí)項目。

流程是指用于構(gòu)建模型工作流程的實用程序。

機器學(xué)習(xí)可視化可支持快速繪圖和視覺調(diào)整。

Scikit-learn 的工作原理

Scikit-learn 主要采用 Python 編寫，并使用 NumPy 進行高性能線性代數(shù)以及數(shù)組運算。一些核心 Scikit-learn 算法則采用 Cython 編寫，以提升整體性能。

作為更高級別的庫，它包含各種機器學(xué)習(xí)算法的幾種實施，Scikit-learn 讓用戶僅使用幾行代碼即可構(gòu)建、訓(xùn)練和評估模型。

Scikit-learn 還提供一套統(tǒng)一的高級別 API，以供構(gòu)建 ML 流程或工作流程使用。

在 Scikit-learn ML 流程中，您可以通過轉(zhuǎn)換器傳遞數(shù)據(jù)并提取特征，使用估測器生成模型，并使用評估器測量模型的準(zhǔn)確性。

Transformer：這是一種轉(zhuǎn)換或輸入數(shù)據(jù)，以進行預(yù)處理的算法。

Estimator：這是一種機器學(xué)習(xí)算法，用于訓(xùn)練或擬合數(shù)據(jù)，以構(gòu)建可用于預(yù)測的模型。

流程：流程將多個轉(zhuǎn)換器和估測器相連接，從而指定 ML 工作流程。

GPU 加速的 Scikit-learn API 和端到端數(shù)據(jù)科學(xué)

在架構(gòu)方面，CPU 僅由幾個具有大緩存內(nèi)存的核心組成，一次只可以處理幾個軟件線程。相比之下，GPU 由數(shù)百個核心組成，可以同時處理數(shù)千個線程。

基于 CUDA-X AI 創(chuàng)建的 NVIDIA RAPIDS 開源軟件庫套件使您完全能夠在 GPU 上執(zhí)行端到端數(shù)據(jù)科學(xué)和分析流程。此套件依靠 NVIDIA CUDA 基元進行低級別計算優(yōu)化，但通過用戶友好型 Python 接口能夠?qū)崿F(xiàn) GPU 并行化和高帶寬顯存速度。

RAPIDS cuML 的機器學(xué)習(xí)算法和數(shù)學(xué)基元遵循熟悉的類似于 scikit-learn 的 API。單塊 GPU 和大型數(shù)據(jù)中心部署均支持 XGBoost、隨機森林等主流算法。針對大型數(shù)據(jù)集，相較于同等功效的 CPU，這些基于 GPU 的實施方案能夠以 10 到 50 倍的速度更快地完成任務(wù)。

借助 RAPIDS GPU DataFrame，數(shù)據(jù)可以通過一個類似 Pandas 的接口加載到 GPU 上，然后用于各種連接的機器學(xué)習(xí)和圖形分析算法，而無需離開 GPU。這種級別的互操作性可通過 Apache Arrow 等庫實現(xiàn)，并且可加速端到端流程(從數(shù)據(jù)準(zhǔn)備到機器學(xué)習(xí)，再到深度學(xué)習(xí))。

RAPIDS 支持在許多熱門數(shù)據(jù)科學(xué)庫之間共享設(shè)備內(nèi)存。這樣可將數(shù)據(jù)保留在 GPU 上，并省去了來回復(fù)制主機內(nèi)存的高昂成本。

審核編輯：湯梓紅