代码拉取完成，页面将自动刷新
同步操作将从 OpenDocCN/sklearn-doc-zh 强制同步，此操作会覆盖自 Fork 仓库以来所做的任何修改，且无法恢复！！！
确定后同步将在后台操作，完成时将刷新页面，请耐心等待。
Scikit-learn可以从一个或者多个数据集中学习信息，这些数据集合可表示为2维阵列，也可认为是一个列表。列表的第一个维度代表 样本 ，第二个维度代表 特征 （每一行代表一个样本，每一列代表一种特征）。
样例: iris 数据集（鸢尾花卉数据集）
>> from sklearn import datasets >> iris = datasets.load_iris() >> data = iris.data >> data.shape
(150, 4)
>
>这个数据集包含150个样本，每个样本包含4个特征：花萼长度，花萼宽度，花瓣长度，花瓣宽度，详细数据可以通过``iris.DESCR``查看。
如果原始数据不是``(n_samples, n_features)``的形状时，使用之前需要进行预处理以供scikit-learn使用。
>**数据预处理样例:digits数据集(手写数字数据集)**
>
>[](https://scikit-learn.org/stable/auto_examples/datasets/plot_digits_last_image.html)
>
>digits数据集包含1797个手写数字的图像，每个图像为8*8像素
>```py
>>> digits = datasets.load_digits()
>>> digits.images.shape
(1797, 8, 8)
>>> import matplotlib.pyplot as plt
>>> plt.imshow(digits.images[-1], cmap=plt.cm.gray_r)
<matplotlib.image.AxesImage object at ...>
为了在scikit中使用这一数据集，需要将每一张8×8的图像转换成长度为64的特征向量
>> data = digits.images.reshape((digits.images.shape[0], -1))
## 预估对象
**拟合数据**: scikit-learn实现最重要的一个API是[`estimator`](https://scikit-learn.org/stable/glossary.html#term-estimator)。estimators是基于数据进行学习的任何对象，它可以是一个分类器，回归或者是一个聚类算法，或者是从原始数据中提取/过滤有用特征的变换器。
所有的拟合模型对象拥有一个名为``fit``的方法，参数是一个数据集（通常是一个2维列表）:
```py
>>> estimator.fit(data)
拟合模型对象构造参数: 在创建一个拟合模型时，可以设置相关参数，在创建之后也可以修改对应的参数:
>>> estimator = Estimator(param1=1, param2=2)
>>> estimator.param1
1
拟合参数: 当拟合模型完成对数据的拟合之后，可以从拟合模型中获取拟合的参数结果，所有拟合完成的参数均以下划线(_)作为结尾:
>>> estimator.estimated_param_
此处可能存在不合适展示的内容，页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容，可点击提交进行申诉，我们将尽快为您处理。
马建仓 AI 助手
