sklearn库方法

sklearn库是一个基于Python的第三方模块，它集成了许多常用的机器学习方法，可以帮助我们完成各种机器学习任务。下面是一些常用的sklearn库方法的介绍：

1. 数据集加载方法：
- `sklearn.datasets.load_*`：加载内置的数据集，如`load_iris()`加载鸢尾花数据集。
- `sklearn.datasets.fetch_*`：从网络上下载并加载数据集，如`fetch_openml()`下载并加载OpenML数据集。

2. 数据预处理方法：
- `sklearn.preprocessing.*`：提供了一系列数据预处理的方法，如`StandardScaler()`用于特征标准化，`MinMaxScaler()`用于特征缩放等。

3. 特征选择方法：
- `sklearn.feature_selection.*`：提供了一些特征选择的方法，如`SelectKBest()`用于选择K个最好的特征，`RFE()`用于递归特征消除等。

4. 模型选择和评估方法：
- `sklearn.model_selection.*`：提供了模型选择和评估的方法，如`train_test_split()`用于划分训练集和测试集，`cross_val_score()`用于交叉验证评估模型性能等。

5. 机器学习算法方法：
- `sklearn.*`：sklearn库中包含了许多机器学习算法的实现，如线性回归(`LinearRegression`)、决策树(`DecisionTreeClassifier`)、支持向量机(`SVC`)等。

6. 模型保存和加载方法：
- `sklearn.externals.joblib.*`：提供了模型的保存和加载方法，如`dump()`用于保存模型，`load()`用于加载模型。

下面是一个示例代码，演示了如何使用sklearn库中的一些方法：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

# 加载鸢尾花数据集
iris = load_iris()

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=42)

# 创建逻辑回归模型
model = LogisticRegression()

# 在训练集上训练模型
model.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = model.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)