比特派钱包下载安装|sklearn库安装

作者：比特派钱包下载安装

2024-03-08 20:03:36

十分钟上手sklearn：安装，获取数据，数据预处理 - 知乎

十分钟上手sklearn：安装，获取数据，数据预处理 - 知乎切换模式写文章登录/注册十分钟上手sklearn：安装，获取数据，数据预处理黑哥博士僧、深度学习、CV、电子产品爱好者sklearn是机器学习中一个常用的python第三方模块，对常用的机器学习算法进行了封装其中包括： 1.分类（Classification） 2.回归（Regression） 3.聚类（Clustering） 4.数据降维（Dimensionality reduction） 5.常用模型（Model selection） 6.数据预处理（Preprocessing）本文将从sklearn的安装开始讲解，由浅入深，逐步上手sklearn。sklearn官网：skleran安装sklearn的目前版本是0.22.1使用pip安装，terminal直接执行即可pip install -U scikit-learn使用Anaconda安装，推荐Anaconda，因为里面已经内置了NumPy，SciPy等常用工具conda install scikit-learn安装完成后可以在python中检查一下版本，import sklearn不报错，则表示安装成功，我这里用的是老版本了，基本功能差不多。>>import sklearn

>>sklearn.__version__

'0.19.1'获取数据机器学习算法往往需要大量的数据，在skleran中获取数据通常采用两种方式，一种是使用自带的数据集，另一种是创建数据集导入数据集sklearn自带了很多数据集，可以用来对算法进行测试分析，免去了自己再去找数据集的烦恼其中包括：鸢尾花数据集:load_iris() 手写数字数据集:load_digitals() 糖尿病数据集:load_diabetes() 乳腺癌数据集:load_breast_cancer() 波士顿房价数据集:load_boston() 体能训练数据集:load_linnerud()这里以鸢尾花数据集为例导入数据集#导入sklearn的数据集

import sklearn.datasets as sk_datasets

iris = sk_datasets.load_iris()

iris_X = iris.data #导入数据

iris_y = iris.target #导入标签创建数据集使用skleran的样本生成器(samples generator)可以创建数据，sklearn.datasets.samples_generator中包含了大量创建样本数据的方法。这里以分类问题创建样本数据import sklearn.datasets.samples_generator as sk_sample_generator

X,y=sk_sample_generator.make_classification(n_samples=6,n_features=5,n_informative=2,n_redundant=3,n_classes=2,n_clusters_per_class=2,scale=1,random_state=20)

for x_,y_ in zip(X,y):

print(y_,end=": ")

print(x_)参数说明： n_features :特征个数= n_informative（） + n_redundant + n_repeated n_informative：多信息特征的个数 n_redundant：冗余信息，informative特征的随机线性组合 n_repeated ：重复信息，随机提取n_informative和n_redundant 特征 n_classes：分类类别 n_clusters_per_class ：某一个类别是由几个cluster构成的 random_state：随机种子，使得实验可重复 n_classes*n_clusters_per_class 要小于或等于 2^n_informative打印结果：0: [ 0.64459602 0.92767918 -1.32091378 -1.25725859 -0.74386837]

0: [ 1.66098845 2.22206181 -2.86249859 -3.28323172 -1.62389676]

0: [ 0.27019475 -0.12572907 1.1003977 -0.6600737 0.58334745]

1: [-0.77182836 -1.03692724 1.34422289 1.52452016 0.76221055]

1: [-0.1407289 0.32675611 -1.41296696 0.4113583 -0.75833145]

1: [-0.76656634 -0.35589955 -0.83132182 1.68841011 -0.4153836 ]数据集的划分机器学习的过程正往往需要对数据集进行划分，常分为训练集，测试集。sklearn中的model_selection为我们提供了划分数据集的方法。以鸢尾花数据集为例进行划分import sklearn.model_selection as sk_model_selection

X_train,X_test,y_train,y_test = sk_model_selection.train_test_split(iris_X,iris_y,train_size=0.3,random_state=20)参数说明： arrays：样本数组，包含特征向量和标签 test_size：　　float-获得多大比重的测试样本（默认：0.25）　　int - 获得多少个测试样本 train_size: 同test_size random_state:int - 随机种子（种子固定，实验可复现） shuffle - 是否在分割之前对数据进行洗牌（默认True）后面我们训练模型使用的数据集都基于此数据预处理我们为什么要进行数据预处理？通常，真实生活中，我们获得的数据中往往存在很多的无用信息，甚至存在错误信息，而机器学习中有一句话叫做"Garbage in，Garbage out"，数据的健康程度对于算法结果的影响极大。数据预处理就是让那些冗余混乱的源数据变得能满足其应用要求。当然，仅仅是数据预处理的方法就可以写好几千字的文章了，在这里只谈及几个基础的数据预处理的方法。 skleran中为我们提供了一个数据预处理的package：preprocessing，我们直接导入即可import sklearn.preprocessing as sk_preprocessing下面的例子我们使用:[[1, -1, 2], [0, 2, -1], [0, 1, -2]]做为初始数据。数据的归一化基于mean和std的标准化scaler = sk_preprocessing.StandardScaler().fit(X)

new_X = scaler.transform(X)

print('基于mean和std的标准化:',new_X)打印结果:基于mean和std的标准化:

[[ 1.41421356 -1.33630621 1.37281295]

[-0.70710678 1.06904497 -0.39223227]

[-0.70710678 0.26726124 -0.98058068]]规范化到一定区间内 feature_range为数据规范化的范围scaler = sk_preprocessing.MinMaxScaler(feature_range=(0,1)).fit(X)

new_X=scaler.transform(X)

print('规范化到一定区间内',new_X)打印结果:规范化到一定区间内

[[1. 0. 1. ]

[ 0. 1. 0.25 ]

[ 0. 0.66666667 0. ]]数据的正则化首先求出样本的p-范数，然后该样本的所有元素都要除以该范数，这样最终使得每个样本的范数都为1new_X = sk_preprocessing.normalize(X,norm='l2')

print('求二范数',new_X)打印结果：规范化到一定区间内

[[0.40824829 -0.40824829 0.81649658]

[ 0. 0.89442719 -0.4472136 ]

[ 0. 0.4472136 -0.89442719]]小结本文介绍了sklearn的安装，sklearn导入数据集，创建数据集的基本方法，对数据预处理的常用方法进行了介绍。下一篇，将重点讲解如何使用sklearn进行特征提取，使用sklearn实现机器学习经典算法，模型的保存等内容。发布于 2020-02-04 15:13机器学习（Drew Conway，John Myles White 著）（书籍）赞同 766 条评论分享喜欢收藏申请

Sklearn安装（简明教程）_sklearn库安装-CSDN博客

Sklearn安装（简明教程）

数据之帆

已于 2023-07-10 21:53:13 修改

阅读量7.3w

280

点赞数

分类专栏：

Python

文章标签：

sklearn

python

机器学习

于 2022-08-14 16:25:29 首次发布

本文链接：https://blog.csdn.net/Xingchen0101/article/details/126332660

版权

Python

专栏收录该内容

1 篇文章

3 订阅

订阅专栏

一、准备

python和windows10系统在安装sklearn之前，需要安装两个库，即numpy+mkl和scipy。

二、scipy安装

和普通库安装方式一样，这里采用pip安装。

pip install scipy

三、numpy+mkl安装

不要使用pip3直接在终端安装，因为pip3默安装的是numpy，而不是numpy+mkl。采用在第三方库中手动下载后，再安装的方式。第三方库网址：https://www.lfd.uci.edu/~gohlke/pythonlibs/#numpy

3.1安装wheel软件包工具

python -m pip install --upgrade pip

pip3 install wheel

3.2查看安装的python支持的版本

在cmd中或者Anaconda中运行这个命令

pip debug --verbose

3.3下载NumPy+mkl

此处根据3.2具体情况，打开第三方库网址，选择相应版本下载即可。

3.4安装NumPy+mkl

方法1：在命令行中转到指定的下载库的文件夹cd D:\Program Files\桌面方法2：在文件夹中定位到之前下载Numpy+mkl的地址中，再输入cmd或者win+R打开终端

pip install numpy-1.22.4+vanilla-cp310-cp310-win_amd64.whl --user

四、Sklearn安装

pip install -U scikit-learn --user

优惠劵

数据之帆

关注

踩

280

觉得还不错?

一键收藏

知道了

Sklearn安装（简明教程）

sklearn安装

复制链接

扫一扫

专栏目录

sklearn安装，pip install sklearn

11-21

为什么选择sklearn？

Scikit learn 也简称 sklearn, 是机器学习领域当中最知名的 python 模块之一.

Sklearn 包含了很多种机器学习的方式:

Classification 分类

Regression 回归

Clustering 非监督分类

Dimensionality reduction 数据降维

Model Selection 模型选择

Preprocessing 数据预处理

我们总能够从这些方法中挑选出一个适合于自己问题的, 然后解决自己的问题。

END

如何安装sklearn？

pip 安装

安装 Scikit-learn (sklearn) 最简单的方法就是使用 pip 安装它.

首先确认自己电脑中有安装

Python (>=2.6 或 >=3.3 版本)

Numpy (>=1.6.1)

Scipy (>=0.9)

然后找到你的 Terminal (MacOS or Linux), 或者 CMD (Windows). 输入以下语句：

如何安装Sklearn

Windows 注意事项：

如果你是

Python机器学习库scikit-learn安装与基本使用教程

01-20

本文实例讲述了Python机器学习库scikit-learn安装与基本使用。分享给大家供大家参考，具体如下：

引言

scikit-learn是Python的一个开源机器学习模块，它建立在NumPy，SciPy和matplotlib模块之上能够为用户提供各种机器学习算法接口，可以让用户简单、高效地进行数据挖掘和数据分析。

scikit-learn安装

python 中安装许多模板库之前都有依赖关系,安装 scikit-learn 之前需要以下先决条件:

Python(>= 2.6 or >= 3.3)

NumPy (>= 1.6.1)

SciPy (>= 0.9)

如无意外,下面用 pip

9 条评论

您还未登录，请先

后发表或查看评论

sklearn库安装方法（有详细步骤流程）

weixin_52486941的博客

03-07

3万+

Sklearn (全称 Scikit-Learn) 是基于 Python 语言的机器学习工具，是机器学习中的常用第三方模块。它建立在 NumPy, SciPy和 Matplotlib 之上。因此，在安装sklearn之前，需要先安装其三个依赖库numpy+scipy+matplotlib，具体安装步骤如下：

1.进入官网下载相应的模块

安装地址如下https://www.lfd.uci.edu/~gohlke/pythonlibs

网站中包含了python中所需的子库。

进去之后查找比较麻烦，可以在网址后

探索sklearn中SVM模型的原理及使用案例

csdn1561168266的博客

01-15

1917

大家好，是一种经典的机器学习算法，被广泛应用于分类和回归任务中。在sklearn库中，SVM模型提供了简单易用的API，使得开发者可以方便地应用SVM算法解决实际问题。本文将介绍SVM的原理和在sklearn中的使用案例，帮助大家更好地理解和应用该模型。

sklearn安装--终极大总结

weixin_44017891的博客

04-25

1万+

目录安装sklearn的前提安装sklearn我经历过的错误

安装sklearn的前提

scikit-learn介绍<-----这个网站里有介绍

由于scikit-learn存在依赖关系 :

Python (>= 3.5)

NumPy (>= 1.11.0)

SciPy (>= 0.17.0)

joblib (>= 0.11)

所以在安装的时候，要注意各种库的版本，而...

Python的机器学习库：Sklearn库

m0_70911440的博客

11-20

286

其中，Scikit-learn（简称Sklearn）作为Python中最受欢迎和广泛使用的机器学习库之一，提供了丰富的功能和算法，帮助用户快速实现各种机器学习任务。3. 完善的文档和示例：Sklearn库提供了详细的文档和示例，帮助用户理解和使用库中的功能和算法。2. 丰富的功能和算法：Sklearn库提供了丰富的机器学习功能和算法，包括监督学习、无监督学习、特征工程和模型评估等。2. 图像识别：使用Sklearn库提供的特征选择和分类算法，可以实现对图像数据的识别和分类，如人脸识别和图像标注等。

安装sklearn库

m0_58625397的博客

02-11

2390

安装sklearn库

机器学习-安装sklearn库

houjienanhai1025的博客

10-15

9103

本博客主要介绍用于机器学习的sklearn库的几种安装方法。

Python最简单的sklearn库安装教程

安装scikit-learn-scikit-learn中文社区

安装

用户指南

API

案例

入门

教程

更新日志

词汇表

常见问题

交流群

Toggle Menu

CDA数据科学研究院提供翻译支持

安装scikit-learn

安装最新版本

scikit-learn的第三方发行版

故障排除

安装scikit-learn¶

有多种安装scikit-learn的方法：

安装最新的官方版本。这是对于大多数用户来说最好的方法。它将提供一个较稳定的版本，并且预编译的软件包可适用于大多数平台。安装电脑操作系统或Python发行版提供的scikit-learn版本。对于电脑操作系统或Python发行版兼容scikit-learn的用户来说，这是一个快速的选择。它提供的可能不是最新的发行版本。从源代码构建软件包。对于想要最新和最强大的功能并且不害怕运行全新代码的用户而言，这是最好的选择。这也正是希望为该项目做出贡献的用户所需要的。

安装最新版本

操作系统：Windows

包管理器：pip

例如从https://www.python.org上安装Python 3的64位版本。

然后运行：

pip install -U scikit-learn

您可以使用以下语句去检查

python -m pip show scikit-learn # 查看scikit-learn安装的位置及安装的版本python -m pip freeze # 查看所有在虚拟环境中已下载的包python -c "import sklearn; sklearn.show_versions()"

操作系统：Windows

包管理器：conda

安装 conda(不需要管理员权限).

然后运行：

conda install scikit-learn

您可以使用以下语句去检查

conda list scikit-learn # 查看scikit-learn安装的位置及安装的版本conda list # 查看所有在虚拟环境中已下载的包python -c "import sklearn; sklearn.show_versions()"

操作系统：macOS

包管理器：pip

使用 homebrew (brew install python) 或通过从 https://www.python.org手动安装软件包来安装Python 3

然后运行：

pip install -U scikit-learn

您可以使用以下语句去检查

操作系统：macOS

包管理器：conda

安装 conda(不需要管理员权限).

然后运行：

conda install scikit-learn

您可以使用以下语句去检查

conda list scikit-learn # 查看scikit-learn安装的位置及安装的版本conda list # 查看所有在虚拟环境中已下载的包python -c "import sklearn; sklearn.show_versions()"

操作系统：Linux

包管理器：pip

使用Linux发行版的软件包管理器安装python3和python3-pip

然后运行：

pip3 install -U scikit-learn

您可以使用以下语句去检查

python3 -m pip show scikit-learn # 查看scikit-learn安装的位置及安装的版本python3 -m pip freeze # 查看所有在虚拟环境中已下载的包python3 -c "import sklearn; sklearn.show_versions()"

操作系统：Linux

包管理器：conda

安装 conda(不需要管理员权限).

然后运行：

conda install scikit-learn

您可以使用以下语句去检查

conda list scikit-learn # 查看scikit-learn安装的位置及安装的版本conda list # 查看所有在虚拟环境中已下载的包python -c "import sklearn; sklearn.show_versions()"

请注意，为了避免与其他软件包产生潜在的冲突，强烈建议使用虚拟环境，例如python3 virtualenv （请参阅python3 virtualenv文档）或conda环境。

使用独立的环境去安装scikit-learn的特定版本及其依赖项时，可以完全与任何先前安装的Python软件包区分开。特别是在Linux下，不建议安装pip软件包依赖于软件包管理器（apt，dnf，pacman…）管理的软件包上。

请注意，无论何时启动新的终端会话，您都应该始终记住在运行任何Python命令之前要先激活您选择的环境。

如果尚未安装NumPy或SciPy，也可以使用conda或pip安装它们。使用pip时，请确保使用二进制wheels，并且不会从源代码重新编译NumPy和SciPy，这在使用操作系统和硬件的特定配置（例如Raspberry Pi上的Linux）时可能会发生。

如果必须使用pip安装scikit-learn及其依赖项，则可以将其安装为scikit-learn[alldeps]。

Scikit-learn的绘图功能（例如，函数以“ plot_”开头和类以“ Display”结尾）需要Matplotlib（> = 2.1.1）。为了运行这些示例，需要Matplotlib> = 2.1.1。其他有些示例需要scikit-image> = 0.13，有些示例需要Pandas> = 0.18.0，有些示例需要seaborn> = 0.9.0。

警告：

Scikit-learn 0.20是最后一个支持Python 2.7和Python 3.4的版本。 Scikit-learn0.21支持Python 3.5-3.7。 Scikit-learn0.22支持Python 3.5-3.8。Scikit-learn现在需要Python 3.6或更高版本。

注意：

要在PyPy上安装，需要PyPy3-v5.10 +，Numpy 1.14.0+和scipy 1.1.0+。

scikit-learn的第三方发行版

一些第三方发行版提供了scikit-learn的版本及其软件包管理系统。

这些功能使用户的安装和升级变得更加容易，因为集成功能拥有自动安装scikit-learn所需的依赖项（numpy，scipy）的能力。

以下是OS和python发行版提供的scikit-learn版本的不完整列表。

Arch

Arch Linux的包是通过官方资料库的 python-scikit-learn提供的。可以通过键入以下命令来安装它：

sudo pacman -S python-scikit-learn

Debian / Ubuntu

Debian / Ubuntu软件包分为三个不同的软件包，分别称为 python3-sklearn（python模块），python3-sklearn-lib（低配版），python3-sklearn-doc（文档）。Debian Buster（最新的Debian发行版）中仅提供Python 3版本。可以使用命令apt-get安装软件包：

sudo apt-get install python3-sklearn python3-sklearn-lib python3-sklearn-doc

Fedora

Fedora软件包在python 3版本中被称为python3-scikit-learn，这是Fedora30中唯一可用的版本。可以使用dnf命令安装：

sudo dnf install python3-scikit-learn

NetBSD

scikit-learn可通过pkgsrc-wip获得：

http://pkgsrc.se/math/py-scikit-learn

MacPorts for Mac OSX

MacPorts软件包的名称为py-scikits-learn，其中XY表示Python版本。可以通过键入以下命令来安装它：

sudo port install py36-scikit-learn

Canopy和Anaconda适用于所有支持的平台

除了用于Windows，Mac OSX和Linux的大量科学python库之外，Canopy和Anaconda还提供了最新版本的scikit-learn。

Anaconda免费提供scikit-learn。

Intel conda channel

英特尔拥有专用的conda渠道，该渠道可提供scikit-learn：

conda install -c intel scikit-learn

此版本的scikit-learn包含一些常见估量的替代求解器。这些求解器来自DAAL C ++库，并针对多核Intel CPU进行了优化。

请注意，默认情况下不启用这些求解器，请参阅 daal4py文档以获取更多详细信息。

可通过在https://github.com/IntelPython/daal4py上报告的自动集成，运行完整的scikit-learn测试，来检查与标准scikit-learn解算器的兼容性。

Windows 版WinPython

该WinPython项目作为额外的插件在scikit-learn发布。

故障排除

Windows上的文件路径长度限制引起的错误

如果将Python安装在电脑内部位置（例如AppData用户主目录下的文件夹结构）中，若达到Windows的默认路径大小限制时，pip可能无法安装软件包，例如：

C:\Users\username>C:\Users\username\AppData\Local\Microsoft\WindowsApps\python.exe -m pip install scikit-learnCollecting scikit-learn...Installing collected packages: scikit-learnERROR: Could not install packages due to an EnvironmentError: [Errno 2] No such file or directory: 'C:\\Users\\username\\AppData\\Local\\Packages\\PythonSoftwareFoundation.Python.3.7_qbz5n2kfra8p0\\LocalCache\\local-packages\\Python37\\site-packages\\sklearn\\datasets\\tests\\data\\openml\\292\\api-v1-json-data-list-data_name-australian-limit-2-data_version-1-status-deactivated.json.gz'

在这种情况下，可以使用以下regedit工具在Windows注册表中取消该限制：

在Windows开始菜单中键入“ regedit”来启动regedit。

选择 Computer\HKEY_LOCAL_MACHINE\SYSTEM\CurrentControlSet\Control\FileSystem key

编辑该LongPathsEnabled键的属性值，将其设置为1。

重新安装scikit-learn（忽略以前的安装报错）：

pip install --exists-action=i scikit-learn

Installing scikit-learn — scikit-learn 1.4.1 documentation

Install

User Guide

API

Examples

Community

Getting Started

Tutorial

What's new

Glossary

Development

FAQ

Support

Related packages

Roadmap

Governance

About us

GitHub

Other Versions and Download

Getting Started

Tutorial

What's new

Glossary

Development

FAQ

Support

Related packages

Roadmap

Governance

About us

GitHub

Other Versions and Download

Toggle Menu

PrevUp

Please cite us if you use the software.

Installing scikit-learn

Installing the latest release

Third party distributions of scikit-learn

Alpine Linux

Arch Linux

Debian/Ubuntu

Fedora

NetBSD

MacPorts for Mac OSX

Anaconda and Enthought Deployment Manager for all supported platforms

Intel Extension for Scikit-learn

WinPython for Windows

Troubleshooting

Error caused by file path length limit on Windows

Installing scikit-learn¶

There are different ways to install scikit-learn:

Install the latest official release. This

is the best approach for most users. It will provide a stable version

and pre-built packages are available for most platforms.

Install the version of scikit-learn provided by your

operating system or Python distribution.

This is a quick option for those who have operating systems or Python

distributions that distribute scikit-learn.

It might not provide the latest release version.

Building the package from source. This is best for users who want the

latest-and-greatest features and aren’t afraid of running

brand-new code. This is also needed for users who wish to contribute to the

project.

Installing the latest release¶

Operating System

Windows

macOS

Linux

Packager

pip

conda

Install the 64bit version of Python 3, for instance from https://www.python.org.Install Python 3 using homebrew (brew install python) or by manually installing the package from https://www.python.org.Install python3 and python3-pip using the package manager of the Linux Distribution.Install conda using the Anaconda or miniconda

installers or the miniforge installers

(no administrator permission required for any of those).

Then run:

pip3 install -U scikit-learn

pip install -U scikit-learn

python3 -m venv sklearn-venv

source sklearn-venv/bin/activate

pip3 install -U scikit-learn

python -m venv sklearn-venv

sklearn-venv\Scripts\activate

pip install -U scikit-learn

python -m venv sklearn-venv

source sklearn-venv/bin/activate

pip install -U scikit-learn

conda create -n sklearn-env -c conda-forge scikit-learn

conda activate sklearn-env

In order to check your installation you can use

python3 -m pip show scikit-learn # to see which version and where scikit-learn is installed

python3 -m pip freeze # to see all packages installed in the active virtualenv

python3 -c "import sklearn; sklearn.show_versions()"

python -m pip show scikit-learn # to see which version and where scikit-learn is installed

python -m pip freeze # to see all packages installed in the active virtualenv

python -c "import sklearn; sklearn.show_versions()"

python -m pip show scikit-learn # to see which version and where scikit-learn is installed

python -m pip freeze # to see all packages installed in the active virtualenv

python -c "import sklearn; sklearn.show_versions()"

python -m pip show scikit-learn # to see which version and where scikit-learn is installed

python -m pip freeze # to see all packages installed in the active virtualenv

python -c "import sklearn; sklearn.show_versions()"

conda list scikit-learn # to see which scikit-learn version is installed

conda list # to see all packages installed in the active conda environment

python -c "import sklearn; sklearn.show_versions()"

Note that in order to avoid potential conflicts with other packages it is

strongly recommended to use a virtual environment (venv) or a conda environment.

Using such an isolated environment makes it possible to install a specific

version of scikit-learn with pip or conda and its dependencies independently of

any previously installed Python packages. In particular under Linux is it

discouraged to install pip packages alongside the packages managed by the

package manager of the distribution (apt, dnf, pacman…).

Note that you should always remember to activate the environment of your choice

prior to running any Python command whenever you start a new terminal session.

If you have not installed NumPy or SciPy yet, you can also install these using

conda or pip. When using pip, please ensure that binary wheels are used,

and NumPy and SciPy are not recompiled from source, which can happen when using

particular configurations of operating system and hardware (such as Linux on

a Raspberry Pi).

Scikit-learn plotting capabilities (i.e., functions start with “plot_”

and classes end with “Display”) require Matplotlib. The examples require

Matplotlib and some examples require scikit-image, pandas, or seaborn. The

minimum version of Scikit-learn dependencies are listed below along with its

purpose.

Dependency

Minimum Version

Purpose

numpy

1.19.5

build, install

scipy

1.6.0

build, install

joblib

1.2.0

install

threadpoolctl

2.0.0

install

cython

3.0.8

build

matplotlib

3.3.4

benchmark, docs, examples, tests

scikit-image

0.17.2

docs, examples, tests

pandas

1.1.5

benchmark, docs, examples, tests

seaborn

0.9.0

docs, examples

memory_profiler

0.57.0

benchmark, docs

pytest

7.1.2

tests

pytest-cov

2.9.0

tests

ruff

0.0.272

tests

black

23.3.0

tests

mypy

1.3

tests

pyamg

4.0.0

tests

polars

0.19.12

tests

pyarrow

12.0.0

tests

sphinx

6.0.0

docs

sphinx-copybutton

0.5.2

docs

sphinx-gallery

0.15.0

docs

numpydoc

1.2.0

docs, tests

Pillow

7.1.2

docs

pooch

1.6.0

docs, examples, tests

sphinx-prompt

1.3.0

docs

sphinxext-opengraph

0.4.2

docs

plotly

5.14.0

docs, examples

conda-lock

2.4.2

maintenance

Warning

Scikit-learn 0.20 was the last version to support Python 2.7 and Python 3.4.

Scikit-learn 0.21 supported Python 3.5-3.7.

Scikit-learn 0.22 supported Python 3.5-3.8.

Scikit-learn 0.23 - 0.24 require Python 3.6 or newer.

Scikit-learn 1.0 supported Python 3.7-3.10.

Scikit-learn 1.1 and later requires Python 3.8 or newer.

Third party distributions of scikit-learn¶

Some third-party distributions provide versions of

scikit-learn integrated with their package-management systems.

These can make installation and upgrading much easier for users since

the integration includes the ability to automatically install

dependencies (numpy, scipy) that scikit-learn requires.

The following is an incomplete list of OS and python distributions

that provide their own version of scikit-learn.

Alpine Linux¶

Alpine Linux’s package is provided through the official repositories as

py3-scikit-learn for Python.

It can be installed by typing the following command:

sudo apk add py3-scikit-learn

Arch Linux¶

Arch Linux’s package is provided through the official repositories as

python-scikit-learn for Python.

It can be installed by typing the following command:

sudo pacman -S python-scikit-learn

Debian/Ubuntu¶

The Debian/Ubuntu package is split in three different packages called

python3-sklearn (python modules), python3-sklearn-lib (low-level

implementations and bindings), python3-sklearn-doc (documentation).

Note that scikit-learn requires Python 3, hence the need to use the python3-

suffixed package names.

Packages can be installed using apt-get:

sudo apt-get install python3-sklearn python3-sklearn-lib python3-sklearn-doc

Fedora¶

The Fedora package is called python3-scikit-learn for the python 3 version,

the only one available in Fedora.

It can be installed using dnf:

sudo dnf install python3-scikit-learn

NetBSD¶

scikit-learn is available via pkgsrc-wip:

https://pkgsrc.se/math/py-scikit-learn

MacPorts for Mac OSX¶

The MacPorts package is named py-scikits-learn,

where XY denotes the Python version.

It can be installed by typing the following

command:

sudo port install py39-scikit-learn

Anaconda and Enthought Deployment Manager for all supported platforms¶

Anaconda and

Enthought Deployment Manager

both ship with scikit-learn in addition to a large set of scientific

python library for Windows, Mac OSX and Linux.

Anaconda offers scikit-learn as part of its free distribution.

Intel Extension for Scikit-learn¶

Intel maintains an optimized x86_64 package, available in PyPI (via pip),

and in the main, conda-forge and intel conda channels:

conda install scikit-learn-intelex

This package has an Intel optimized version of many estimators. Whenever

an alternative implementation doesn’t exist, scikit-learn implementation

is used as a fallback. Those optimized solvers come from the oneDAL

C++ library and are optimized for the x86_64 architecture, and are

optimized for multi-core Intel CPUs.

Note that those solvers are not enabled by default, please refer to the

scikit-learn-intelex

documentation for more details on usage scenarios. Direct export example:

from sklearnex.neighbors import NearestNeighbors

Compatibility with the standard scikit-learn solvers is checked by running the

full scikit-learn test suite via automated continuous integration as reported

on https://github.com/intel/scikit-learn-intelex. If you observe any issue

with scikit-learn-intelex, please report the issue on their

issue tracker.

WinPython for Windows¶

The WinPython project distributes

scikit-learn as an additional plugin.

Troubleshooting¶

Error caused by file path length limit on Windows¶

It can happen that pip fails to install packages when reaching the default path

size limit of Windows if Python is installed in a nested location such as the

AppData folder structure under the user home directory, for instance:

C:\Users\username>C:\Users\username\AppData\Local\Microsoft\WindowsApps\python.exe -m pip install scikit-learn

Collecting scikit-learn

...

Installing collected packages: scikit-learn

ERROR: Could not install packages due to an OSError: [Errno 2] No such file or directory: 'C:\\Users\\username\\AppData\\Local\\Packages\\PythonSoftwareFoundation.Python.3.7_qbz5n2kfra8p0\\LocalCache\\local-packages\\Python37\\site-packages\\sklearn\\datasets\\tests\\data\\openml\\292\\api-v1-json-data-list-data_name-australian-limit-2-data_version-1-status-deactivated.json.gz'

In this case it is possible to lift that limit in the Windows registry by

using the regedit tool:

Type “regedit” in the Windows start menu to launch regedit.

Go to the

Computer\HKEY_LOCAL_MACHINE\SYSTEM\CurrentControlSet\Control\FileSystem

key.

Edit the value of the LongPathsEnabled property of that key and set

it to 1.

Reinstall scikit-learn (ignoring the previous broken installation):

pip install --exists-action=i scikit-learn

Show this page source

windows下sklearn库的安装教程，Numpy、Scipy、matplotlib_scipy 1.5.4安装-CSDN博客

windows下sklearn库的安装教程，Numpy、Scipy、matplotlib

innovationy

已于 2022-04-13 15:52:28 修改

阅读量2.8k

点赞数

分类专栏：

深度学习相关

文章标签：

sklearn

windows

python

于 2022-02-20 15:06:41 首次发布

本文链接：https://blog.csdn.net/innovationy/article/details/121749551

版权

深度学习相关

专栏收录该内容

25 篇文章

3 订阅

订阅专栏

windows下sklearn库的安装教程

sklearn库

sklearn是scikit-learn的简称，是一个基于Python的第三方模块。sklearn库集成了一些常用的机器学习方法，在进行机器学习任务时，并不需要实现算法，只需要简单的调用sklearn库中提供的模块就能完成大多数的机器学习任务。 sklearn库是在Numpy、Scipy和matplotlib的基础上开发而成的，因此在介绍sklearn的安装前，需要先安装这些依赖库。

sklearn库的安装

安装包的下载:安装包下载链接

安装顺序如下：

Numpy库 Scipy库 matplotlib库 sklearn库

Numpy的安装

找对应自己的python版本和windows位数的文件，如我的python是3.6版本，win是64位，则下载 numpy-1.19.5+mkl-cp36-cp36m-win_amd64.whl（下拉那个网站寻找numpy包）然后在文件夹上面输入cmd调来终端，注意进入并激活自己想要安装的环境！输入：

pip install numpy-1.19.5+mkl-cp36-cp36m-win_amd64.whl

Scipy的安装

依旧是从上面的那个网址下载相关文件下载链接 scipy-1.5.4-cp36-cp36m-win_amd64.whl 命令：

pip install scipy-1.5.4-cp36-cp36m-win_amd64.whl

matplotlib的安装

依旧是从上面的那个网址下载相关文件 matplotlib-3.3.3-cp36-cp36m-win_amd64.whl 命令：

pip install matplotlib-3.3.3-cp36-cp36m-win_amd64.whl

sklearn库的安装

依旧是从上面的那个网址下载相关文件

最后文件夹里面要有这4个文件命令：

pip install scikit_learn-0.24.0-cp36-cp36m-win_amd64.whl

验证：

先输入python 再输入以下代码：

import numpy

import matplotlib

import sklearn

各位帅哥记得点个赞啊

关注博主即可阅读全文

优惠劵

innovationy

关注

踩

觉得还不错?

一键收藏

知道了

windows下sklearn库的安装教程，Numpy、Scipy、matplotlib

windows下sklearn库的安装教程sklearn库sklearn是scikit-learn的简称，是一个基于Python的第三方模块。sklearn库集成了一些常用的机器学习方法，在进行机器学习任务时，并不需要实现算法，只需要简单的调用sklearn库中提供的模块就能完成大多数的机器学习任务。 sklearn库是在Numpy、Scipy和matplotlib的基础上开发而成的，因此在介绍sklearn的安装前，需要先安装这些依赖库。sklearn库的安装安装包的下载:安装包下载链接安装

复制链接

扫一扫

专栏目录

3 条评论

您还未登录，请先

后发表或查看评论

innovationy

CSDN认证博客专家

CSDN认证企业博客

码龄3年

暂无认证

110

原创

2492

周排名

1万+

总排名

39万+

访问

等级

1752

积分

1万+

粉丝

527

获赞

923

私信

关注

安装 scikit-learn - 知乎

安装 scikit-learn - 知乎切换模式写文章登录/注册安装 scikit-learn一名可爱的程序员安装最新版本Scikit-learn 要求:Python (>= 3.5),NumPy (>= 1.11.0),SciPy (>= 0.17.0),joblib (>= 0.11).Scikit-learn绘图功能(即，函数以“plot_”开头，需要Matplotlib(>= 1.5.1)。一些scikit-learn示例可能需要一个或多个额外依赖项:scikit-image(>= 0.12.3)、panda(>= 0.18.0)。警告: Scikit-learn 0.20是支持Python 2.7和Python 3.4的最后一个版本。Scikit-learn现在需要Python 3.5或更新版本。如果你已经有一个合适的 numpy 和 scipy版本，安装 scikit-learn 最简单的方法是使用 pippip install -U scikit-learn或者 conda:conda install scikit-learn如果您还没有安装 NumPy 或 SciPy，还可以使用 conda 或 pip 来安装它们。当使用 pip 时，请确保使用了 binary wheels，并且 NumPy 和 SciPy 不会从源重新编译，这可能在使用操作系统和硬件的特定配置（如 Raspberry Pi 上的 Linux）时发生。从源代码构建 numpy 和 scipy 可能是复杂的（特别是在 Windows 上），并且需要仔细配置，以确保它们与线性代数程序的优化实现链接。而是使用如下所述的第三方发行版。如果您必须安装 scikit-learn 及其与 pip 的依赖关系，则可以将其安装为 scikit-learn[alldeps]。最常见的用例是 requirements.txt 用作 PaaS 应用程序或 Docker 映像的自动构建过程的一部分的文件。此选项不适用于从命令行进行手动安装。注意在PyPy上安装时，需要注意PyPy3-v5.10+、Numpy 1.14.0+和scipy 1.1.0+。有关更多发行版的安装说明，请参阅其他发行版。要从源代码编译开发版本，或者在体系结构中没有可用的发行版时构建包，请参阅高级安装说明。第三方发行版如果您尚未安装具有 numpy 和 scipy 的 python 安装，建议您通过软件包管理器或通过 python 软件包进行安装。这些与 numpy, scipy, scikit-learn, matplotlib 和许多其他有用的科学和数据处理库。可用选项有:Canopy 和 Anaconda 适用于所有支持的平台Canopy 和 Anaconda 都运送了最新版本的 scikit-learn，另外还有一大批适用于 Windows，Mac OSX 和 Linux 的科学 python 库。Anaconda 提供 scikit-learn 作为其免费分发的一部分.Warning升级或卸载使用 Anaconda 安装的 scikit-learn，或者 conda 不应该使用 pip 命令。代替:升级 scikit-learn:conda update scikit-learn卸载 scikit-learn:conda remove scikit-learn使用 pip install -U scikit-learn 升级 or pip uninstall scikit-learn 卸载可能无法正确删除 conda命令安装的文件.pip 升级和卸载操作仅适用于通过 pip install 安装的软件包.WinPython 适用于 Windows该 WinPython 项目分布 scikit-learn 作为额外的插件。发布于 2020-08-13 15:50scipypython 3.5Python赞同 13添加评论分享喜欢收藏申请

安装 scikit-learn - sklearn

sklearn

sklearn 中文文档

安装 scikit-learn

安装最新版本

第三方发行版

Canopy 和 Anaconda 适用于所有支持的平台

WinPython 适用于 Windows

1. 监督学习

1.0 监督学习

1.1. 广义线性模型

1.2. 线性和二次判别分析

1.3. 内核岭回归

1.4. 支持向量机

1.5. 随机梯度下降

1.6. 最近邻

1.7. 高斯过程

1.8. 交叉分解

1.9. 朴素贝叶斯

1.10. 决策树

1.11. 集成方法

1.12. 多类和多标签算法

1.13. 特征选择

1.14. 半监督学习

1.15. 等式回归

1.16. 概率校准

1.17. 神经网络模型（有监督）

2. 无监督学习

2.0 无监督学习

2.1. 高斯混合模型

2.2. 流形学习

2.3. 聚类

2.4. 双聚类

2.5. 分解成分中的信号（矩阵分解问题）

2.6. 协方差估计

2.7. 新奇和异常值检测

2.8. 密度估计

2.9. 神经网络模型（无监督）

3. 模型选择和评估

3.0 模型选择和评估

3.1. 交叉验证：评估估算器的表现

3.2. 调整估计器的超参数

3.3. 模型评估: 量化预测的质量

3.4. 模型持久化

3.5. 验证曲线: 绘制分数以评估模型

4. 检验

4.0 检验

4.1. 部分依赖图

5. 数据集转换

5.0 数据集转换

5.1. Pipeline（管道）和 FeatureUnion（特征联合）: 合并的评估器

5.2. 特征提取

5.3 预处理数据

5.4 缺失值插补

5.5. 无监督降维

5.6. 随机投影

5.7. 内核近似

5.8. 成对的矩阵, 类别和核函数

5.9. 预测目标

6. 数据集加载工具

6.0 数据集加载工具

6.1. 通用数据集 API

6.2. 玩具数据集

6.3 真实世界中的数据集

6.4. 样本生成器

6.5. 加载其他数据集

7. 使用scikit-learn计算

7.0 使用scikit-learn计算

7.1. 大规模计算的策略: 更大量的数据

7.2. 计算性能

7.3. 并行性、资源管理和配置

教程

使用 scikit-learn 介绍机器学习

关于科学数据处理的统计学习教程

机器学习: scikit-learn 中的设置以及预估对象

监督学习：从高维观察预测输出变量

模型选择：选择估计量及其参数

无监督学习: 寻求数据表示

把它们放在一起

寻求帮助

处理文本数据

选择正确的评估器(estimator.md

外部资源，视频和谈话

API 参考

常见问题

时光轴

sklearn

Docs »

安装 scikit-learn

校验者:

@小瑶

@Loopy

翻译者:

@片刻

Note

如果你想为这个项目做出贡献，建议你安装最新的开发版本 .

安装最新版本

Scikit-learn 要求:

Python (>= 3.5),

NumPy (>= 1.11.0),

SciPy (>= 0.17.0),

joblib (>= 0.11).

Scikit-learn绘图功能(即，函数以“plot_”开头，需要Matplotlib(>= 1.5.1)。一些scikit-learn示例可能需要一个或多个额外依赖项:scikit-image(>= 0.12.3)、panda(>= 0.18.0)。

警告: Scikit-learn 0.20是支持Python 2.7和Python 3.4的最后一个版本。Scikit-learn现在需要Python 3.5或更新版本。

如果你已经有一个合适的 numpy 和 scipy版本，安装 scikit-learn 最简单的方法是使用 pip

pip install -U scikit-learn

或者 conda:

conda install scikit-learn

如果您还没有安装 NumPy 或 SciPy，还可以使用 conda 或 pip 来安装它们。当使用 pip 时，请确保使用了 binary wheels，并且 NumPy 和 SciPy 不会从源重新编译，这可能在使用操作系统和硬件的特定配置（如 Raspberry Pi 上的 Linux）时发生。从源代码构建 numpy 和 scipy 可能是复杂的（特别是在 Windows 上），并且需要仔细配置，以确保它们与线性代数程序的优化实现链接。而是使用如下所述的第三方发行版。

如果您必须安装 scikit-learn 及其与 pip 的依赖关系，则可以将其安装为 scikit-learn[alldeps]。最常见的用例是 requirements.txt 用作 PaaS 应用程序或 Docker 映像的自动构建过程的一部分的文件。此选项不适用于从命令行进行手动安装。

注意在PyPy上安装时，需要注意PyPy3-v5.10+、Numpy 1.14.0+和scipy 1.1.0+。

有关更多发行版的安装说明，请参阅其他发行版。要从源代码编译开发版本，或者在体系结构中没有可用的发行版时构建包，请参阅高级安装说明。

第三方发行版

如果您尚未安装具有 numpy 和 scipy 的 python 安装，建议您通过软件包管理器或通过 python 软件包进行安装。这些与 numpy, scipy, scikit-learn, matplotlib 和许多其他有用的科学和数据处理库。

可用选项有:

Canopy 和 Anaconda 适用于所有支持的平台

Canopy 和 Anaconda 都运送了最新版本的 scikit-learn，另外还有一大批适用于 Windows，Mac OSX 和 Linux 的科学 python 库。

Anaconda 提供 scikit-learn 作为其免费分发的一部分.

Warning

升级或卸载使用 Anaconda 安装的 scikit-learn，或者 conda 不应该使用 pip 命令。代替:

升级 scikit-learn:

conda update scikit-learn

卸载 scikit-learn:

conda remove scikit-learn

使用 pip install -U scikit-learn 升级 or pip uninstall scikit-learn 卸载可能无法正确删除 conda 命令安装的文件.

pip 升级和卸载操作仅适用于通过 pip install 安装的软件包.

WinPython 适用于 Windows

该 WinPython 项目分布 scikit-learn 作为额外的插件。

sklearn PythonOK 协议：CC BY-NC-SA 4.0

Built with MkDocs using a theme provided by Read the Docs.

« Previous

机器学习入门之sklearn安装以及简单使用 - 知乎

机器学习入门之sklearn安装以及简单使用 - 知乎首发于人工智能学习专栏切换模式写文章登录/注册机器学习入门之sklearn安装以及简单使用倪倪倪Sklearn简介 scikit-learn，又写作sklearn，是一个开源的基于python语言的机器学习工具包。它通过NumPy, SciPy和Matplotlib等python数值计算的库实现高效的算法应用，并且涵盖了几乎所有主流机器学习算法。 sklearn是面向机器学习的Python开源框架，其中包括数据预处理、降维、聚类、分类、回归、模型选择常用的机器学习算法。易安装易使用，在数据分析过程中快速建立模型，而且模型接口统一。sklearn拥有优秀的官方文档，内容丰富、详细，是入门学习的很好选择。附上SKlearn官网链接：https://scikit-learn.org/stable/index.html在工程应用中，用python手写代码来从头实现一个算法的可能性非常低，这样不仅耗时耗力，还不一定能够写出构架清晰，稳定性强的模型。更多情况下，是分析采集到的数据，根据数据特征选择适合的算法，在工具包中调用算法，调整算法的参数，获取需要的信息，从而实现算法效率和效果之间的平衡。而sklearn，正是这样一个可以帮助我们高效实现算法应用的工具包。Sklearn常用模块介绍模型选择：比较，验证，选择参数和模型，常用的模块有：grid search（网格搜索）、cross validation（交叉验证）、 metrics（度量）。它的目标是通过参数调整提高精度。预处理：特征提取和归一化，常用的模块有：preprocessing，feature extraction，常见的应用有：把输入数据（如文本）转换为机器学习算法可用的数据。降维：减少要考虑的随机变量的数量，常见的算法有：PCA（主成分分析）、feature selection（特征选择）、non-negative matrix factorization（非负矩阵分解），常见的应用有：可视化，提高效率。分类：识别某个对象属于哪个类别，常用的算法有：SVM（支持向量机）、nearest neighbors（最近邻）、random forest（随机森林），常见的应用有：垃圾邮件识别、图像识别。聚类：将相似对象自动分组，常用的算法有：k-Means、 spectral clustering、mean-shift，常见的应用有：客户细分，分组实验结果。回归：预测与对象相关联的连续值属性，常见的算法有：SVR（支持向量机）、 ridge regression（岭回归）、Lasso，常见的应用有：药物反应，预测股价。Sklearn安装Scikit-learn需要：Python（> = 2.7或> = 3.4），NumPy（> = 1.8.2），SciPy（> = 0.13.3）。如果你已经安装了numpy和scipy，那么安装scikit-learn的最简单方法就是使用 pip。但是这里建议还是使用Anaconda中的jupyter来使用该框架，安装只需要在https://www.anaconda.com/下载并安装自己操作系统类型的版本即可使用。什么是Anaconda？1. 简介Anaconda（官方网站）就是可以便捷获取包且对包能够进行管理，同时对环境可以统一管理的发行版本。Anaconda包含了conda、Python在内的超过180个科学包及其依赖项。2. 特点Anaconda具有如下特点：开源、安装过程简单、高性能使用Python和R语言、免费的社区支持、其特点的实现主要基于Anaconda拥有的：conda包、环境管理器、1,000+开源库。Sklearn对数据进行预处理对框架中内置的房价预测数据进行简单的预处理，具体操作如下：1. 导入框架读入数据2. 拆分数据：将数据分为训练集和测试集3. 进行离差标准化操作4.自己写函数实现第n列的离差标准化总结：通过上述比较可以明显的体现sklearn的高效性，使用者可以避免重复造轮子的现象，从而提高工作效率，希望上面的讲解对您有帮助。发布于 2020-04-17 19:12机器学习sklearn赞同 38添加评论分享喜欢收藏申请转载文章被以下专栏收录人工智能学习专栏聚焦人工智能，实战经

Follow

比特派钱包下载安装|sklearn库安装

比特派钱包下载安装|sklearn库安装

十分钟上手sklearn：安装，获取数据，数据预处理 - 知乎

Sklearn安装（简明教程）_sklearn库安装-CSDN博客

安装scikit-learn-scikit-learn中文社区

Installing scikit-learn — scikit-learn 1.4.1 documentation

windows下sklearn库的安装教程，Numpy、Scipy、matplotlib_scipy 1.5.4安装-CSDN博客

安装 scikit-learn - 知乎

安装 scikit-learn - sklearn

机器学习入门之sklearn安装以及简单使用 - 知乎

最近的新闻

您可能喜欢的文章

tokenpocket钱包新版本下载|1欧元兑换人民币多少元

tokenpocket最新版|本田xrv怎么样

如何在tp钱包创建usdt钱包

如何把tp钱包导入其他钱包

tp钱包如何创建bsc冷钱包

如何添加tp钱包账号

如何检查tp钱包授权