Scikit-learn - Versionsgeschichte

Weinessig: Form

2024-03-29T09:41:27Z

Form

← Nächstältere Version		Version vom 29. März 2024, 11:41 Uhr
Zeile 11:		Zeile 11:
	\| Website = <!-- Wikidata -->		\| Website = <!-- Wikidata -->
	}}		}}
	'''Scikit-learn''' (ehemals scikits.learn) ist eine [[freie Software]]-[[Programmbibliothek\|Bibliothek]] zum [[Maschinelles Lernen \| maschinellen Lernen]] für die Programmiersprache [[Python (Programmiersprache)\|Python]]. Es bietet verschiedene [[Klassifikationsverfahren\|Klassifikations]]-, [[Regressionsanalyse\|Regressions]]- und [[Clusteranalyse\|Clustering]]-Algorithmen, darunter [[Support-Vektor-Maschine]]n, [[Random Forest]], [[Gradient Boosting]](wie [[XGBoost]]), [[K-Means-Algorithmus\|k-means]] und [[DBSCAN]]. Sie basiert als SciKit (Kurzform für SciPy Toolkit), wie beispielsweise auch [[Scikit-image]], auf den numerischen und wissenschaftlichen Python-Bibliotheken [[NumPy]] und [[SciPy]].		'''Scikit-learn''' (ehemals scikits.learn) ist eine [[freie Software]]-[[Programmbibliothek\|Bibliothek]] zum [[Maschinelles Lernen \| maschinellen Lernen]] für die Programmiersprache [[Python (Programmiersprache)\|Python]]. Es bietet verschiedene [[Klassifikationsverfahren\|Klassifikations]]-, [[Regressionsanalyse\|Regressions]]- und [[Clusteranalyse\|Clustering]]-Algorithmen, darunter [[Support-Vektor-Maschine]]n, [[Random Forest]], [[Gradient Boosting]] (wie [[XGBoost]]), [[K-Means-Algorithmus\|k-means]] und [[DBSCAN]]. Sie basiert als SciKit (Kurzform für SciPy Toolkit), wie beispielsweise auch [[Scikit-image]], auf den numerischen und wissenschaftlichen Python-Bibliotheken [[NumPy]] und [[SciPy]].

	Diese ~~Library~~ wird in mehreren 2017 erschienenen deutschsprachigen Lehrbüchern benutzt.<ref name="muellerguido">{{Literatur \|Autor=Andreas C. Müller, Sarah Guido \|Titel=Einführung in Machine Learning mit Python \|Verlag=O’Reilly-Verlag \|Ort=Heidelberg \|Jahr=2017 \|ISBN=978-3-96009-049-6}}</ref><ref>{{Literatur\|Autor=Sebastian Raschka \|Ort=Frechen \|Titel=Machine Learning mit Python\| ISBN=9783958454224 \|Verlag=mitp-Verlag \|Jahr=2017}}</ref>		Diese Bibliothek wird in mehreren 2017 erschienenen deutschsprachigen Lehrbüchern benutzt.<ref name="muellerguido">{{Literatur \|Autor=Andreas C. Müller, Sarah Guido \|Titel=Einführung in Machine Learning mit Python \|Verlag=O’Reilly-Verlag \|Ort=Heidelberg \|Jahr=2017 \|ISBN=978-3-96009-049-6}}</ref><ref>{{Literatur\|Autor=Sebastian Raschka \|Ort=Frechen \|Titel=Machine Learning mit Python\| ISBN=9783958454224 \|Verlag=mitp-Verlag \|Jahr=2017}}</ref>

	== Implementierung ==		== Implementierung ==
Zeile 41:		Zeile 41:

	== Versionsverlauf ==		== Versionsverlauf ==
	Scikit-learn wurde ursprünglich 2007 von David Cournapeau als [[Google LLC\|Google]]-Summer-of-Code-Projekt entwickelt. Später trat Matthieu Brucher dem Projekt bei und begann es im Rahmen seiner Diplomarbeit zu verwenden. Im Jahr 2010 beteiligte sich das INRIA (French Institute for Research in Computer Science and Automation) und die erste öffentliche Version (v0.1 Beta) wurde Ende des Jahres veröffentlicht ~~Januar 2010~~.		Scikit-learn wurde ursprünglich 2007 von David Cournapeau als [[Google LLC\|Google]]-Summer-of-Code-Projekt entwickelt. Später trat Matthieu Brucher dem Projekt bei und begann es im Rahmen seiner Diplomarbeit zu verwenden. Im Jahr 2010 beteiligte sich das INRIA (French Institute for Research in Computer Science and Automation) und die erste öffentliche Version (v0.1 Beta) wurde Ende des Jahres veröffentlicht.

	== Weblinks ==		== Weblinks ==

Emberwit: linkfix, Durchkopplung

2023-08-11T19:00:38Z

linkfix, Durchkopplung

← Nächstältere Version		Version vom 11. August 2023, 21:00 Uhr
Zeile 38:		Zeile 38:
	</syntaxhighlight>		</syntaxhighlight>

	Eine tiefe Analyse dieses Datensatzes mit scikit-learn wurde mehrfach ausführlich beschrieben.<ref>{{Internetquelle \|autor=Matthias Parbel \|url=https://www.heise.de/developer/artikel/Oliver-Zeigermann-Interaktive-Einfuehrung-in-Machine-Learning-mit-Scikit-Learn-3996819.html \|titel=Oliver Zeigermann: Interaktive Einführung in Machine Learning mit Scikit-Learn \|werk~~= \|hrsg~~=heise Developer \|~~datum= \|zugriff~~=2018-08-28 \|sprache=de-DE}}</ref><ref>{{Internetquelle \|autor=Oliver Zeigermann \|url=https://notebooks.azure.com/djcordhose/libraries/data2day-intro/html/2017_intro_data2day.ipynb \|titel=Jupyter Notebook zum Vortrag: Machine Learning mit Scikit-Learn \|~~werk= \|hrsg= \|datum= \|zugriff~~=2018-08-28 \|sprache=de}}</ref><ref>{{Internetquelle \|autor=Gael Varoquaux \|url=http://www.scipy-lectures.org/packages/scikit-learn/index.html \|titel=3.6. scikit-learn: machine learning in Python — Scipy lecture notes \|werk=Tutorials on the scientific Python ecosystem: a quick introduction to central tools and techniques \|~~hrsg= \|datum= \|zugriff~~=2018-08-28 \|sprache=en}}</ref>		Eine tiefe Analyse dieses Datensatzes mit scikit-learn wurde mehrfach ausführlich beschrieben.<ref>{{Internetquelle \|autor=Matthias Parbel \|url=https://www.heise.de/developer/artikel/Oliver-Zeigermann-Interaktive-Einfuehrung-in-Machine-Learning-mit-Scikit-Learn-3996819.html \|titel=Oliver Zeigermann: Interaktive Einführung in Machine Learning mit Scikit-Learn \|werk=heise Developer \|abruf=2018-08-28 \|sprache=de-DE}}</ref><ref>{{Internetquelle \|autor=Oliver Zeigermann \|url=https://notebooks.azure.com/djcordhose/libraries/data2day-intro/html/2017_intro_data2day.ipynb \|titel=Jupyter Notebook zum Vortrag: Machine Learning mit Scikit-Learn \|abruf=2018-08-28 \|sprache=de}}</ref><ref>{{Internetquelle \|autor=Gael Varoquaux \|url=http://www.scipy-lectures.org/packages/scikit-learn/index.html \|titel=3.6. scikit-learn: machine learning in Python — Scipy lecture notes \|werk=Tutorials on the scientific Python ecosystem: a quick introduction to central tools and techniques \|abruf=2018-08-28 \|sprache=en}}</ref>

	== Versionsverlauf ==		== Versionsverlauf ==
	Scikit-learn wurde ursprünglich 2007 von David Cournapeau als [[Google]] Summer of Code Projekt entwickelt. Später trat Matthieu Brucher dem Projekt bei und begann es im Rahmen seiner Diplomarbeit zu verwenden. Im Jahr 2010 beteiligte sich das INRIA (French Institute for Research in Computer Science and Automation) und die erste öffentliche Version (v0.1 Beta) wurde Ende des Jahres veröffentlicht Januar 2010.		Scikit-learn wurde ursprünglich 2007 von David Cournapeau als [[Google LLC\|Google]]-Summer-of-Code-Projekt entwickelt. Später trat Matthieu Brucher dem Projekt bei und begann es im Rahmen seiner Diplomarbeit zu verwenden. Im Jahr 2010 beteiligte sich das INRIA (French Institute for Research in Computer Science and Automation) und die erste öffentliche Version (v0.1 Beta) wurde Ende des Jahres veröffentlicht Januar 2010.

	== Weblinks ==		== Weblinks ==

ShirkahnW: XGBoost als Gradient Boosting Beispiel eingefügt, da aktuell keins vorhanden ist

2022-06-09T08:43:50Z

XGBoost als Gradient Boosting Beispiel eingefügt, da aktuell keins vorhanden ist

← Nächstältere Version		Version vom 9. Juni 2022, 10:43 Uhr
Zeile 11:		Zeile 11:
	\| Website = <!-- Wikidata -->		\| Website = <!-- Wikidata -->
	}}		}}
	'''Scikit-learn''' (ehemals scikits.learn) ist eine [[freie Software]]-[[Programmbibliothek\|Bibliothek]] zum [[Maschinelles Lernen \| maschinellen Lernen]] für die Programmiersprache [[Python (Programmiersprache)\|Python]]. Es bietet verschiedene [[Klassifikationsverfahren\|Klassifikations]]-, [[Regressionsanalyse\|Regressions]]- und [[Clusteranalyse\|Clustering]]-Algorithmen, darunter [[Support-Vektor-Maschine]]n, [[Random Forest]], [[Gradient Boosting]], [[K-Means-Algorithmus\|k-means]] und [[DBSCAN]]. Sie basiert als SciKit (Kurzform für SciPy Toolkit), wie beispielsweise auch [[Scikit-image]], auf den numerischen und wissenschaftlichen Python-Bibliotheken [[NumPy]] und [[SciPy]].		'''Scikit-learn''' (ehemals scikits.learn) ist eine [[freie Software]]-[[Programmbibliothek\|Bibliothek]] zum [[Maschinelles Lernen \| maschinellen Lernen]] für die Programmiersprache [[Python (Programmiersprache)\|Python]]. Es bietet verschiedene [[Klassifikationsverfahren\|Klassifikations]]-, [[Regressionsanalyse\|Regressions]]- und [[Clusteranalyse\|Clustering]]-Algorithmen, darunter [[Support-Vektor-Maschine]]n, [[Random Forest]], [[Gradient Boosting]](wie [[XGBoost]]), [[K-Means-Algorithmus\|k-means]] und [[DBSCAN]]. Sie basiert als SciKit (Kurzform für SciPy Toolkit), wie beispielsweise auch [[Scikit-image]], auf den numerischen und wissenschaftlichen Python-Bibliotheken [[NumPy]] und [[SciPy]].

	Diese Library wird in mehreren 2017 erschienenen deutschsprachigen Lehrbüchern benutzt.<ref name="muellerguido">{{Literatur \|Autor=Andreas C. Müller, Sarah Guido \|Titel=Einführung in Machine Learning mit Python \|Verlag=O’Reilly-Verlag \|Ort=Heidelberg \|Jahr=2017 \|ISBN=978-3-96009-049-6}}</ref><ref>{{Literatur\|Autor=Sebastian Raschka \|Ort=Frechen \|Titel=Machine Learning mit Python\| ISBN=9783958454224 \|Verlag=mitp-Verlag \|Jahr=2017}}</ref>		Diese Library wird in mehreren 2017 erschienenen deutschsprachigen Lehrbüchern benutzt.<ref name="muellerguido">{{Literatur \|Autor=Andreas C. Müller, Sarah Guido \|Titel=Einführung in Machine Learning mit Python \|Verlag=O’Reilly-Verlag \|Ort=Heidelberg \|Jahr=2017 \|ISBN=978-3-96009-049-6}}</ref><ref>{{Literatur\|Autor=Sebastian Raschka \|Ort=Frechen \|Titel=Machine Learning mit Python\| ISBN=9783958454224 \|Verlag=mitp-Verlag \|Jahr=2017}}</ref>

Aka: zu großen Zeilenabstand entfernt, Links normiert

2021-10-22T19:27:23Z

zu großen Zeilenabstand entfernt, Links normiert

← Nächstältere Version		Version vom 22. Oktober 2021, 21:27 Uhr
Zeile 11:		Zeile 11:
	\| Website = <!-- Wikidata -->		\| Website = <!-- Wikidata -->
	}}		}}
	'''Scikit-learn''' (ehemals scikits.learn) ist eine [[freie Software]]-[[Programmbibliothek\|Bibliothek]] zum [[~~Maschinelles_Lernen~~ \| maschinellen Lernen]] für die Programmiersprache [[Python (Programmiersprache)\|Python]]. Es bietet verschiedene [[Klassifikationsverfahren\|Klassifikations]]-, [[Regressionsanalyse\|Regressions]]- und [[Clusteranalyse\|Clustering]]-Algorithmen, darunter [[Support-Vektor-Maschine]]n, [[Random Forest]], [[Gradient Boosting]], [[K-Means-Algorithmus\|k-means]] und [[DBSCAN]]. Sie basiert als SciKit (Kurzform für SciPy Toolkit), wie beispielsweise auch [[Scikit-image]], auf den numerischen und wissenschaftlichen Python-Bibliotheken [[NumPy]] und [[SciPy]].		'''Scikit-learn''' (ehemals scikits.learn) ist eine [[freie Software]]-[[Programmbibliothek\|Bibliothek]] zum [[Maschinelles Lernen \| maschinellen Lernen]] für die Programmiersprache [[Python (Programmiersprache)\|Python]]. Es bietet verschiedene [[Klassifikationsverfahren\|Klassifikations]]-, [[Regressionsanalyse\|Regressions]]- und [[Clusteranalyse\|Clustering]]-Algorithmen, darunter [[Support-Vektor-Maschine]]n, [[Random Forest]], [[Gradient Boosting]], [[K-Means-Algorithmus\|k-means]] und [[DBSCAN]]. Sie basiert als SciKit (Kurzform für SciPy Toolkit), wie beispielsweise auch [[Scikit-image]], auf den numerischen und wissenschaftlichen Python-Bibliotheken [[NumPy]] und [[SciPy]].

	Diese Library wird in mehreren 2017 erschienenen deutschsprachigen Lehrbüchern benutzt.<ref name="muellerguido">{{Literatur \|Autor=Andreas C. Müller, Sarah Guido \|Titel=Einführung in Machine Learning mit Python \|Verlag=O’Reilly-Verlag \|Ort=Heidelberg \|Jahr=2017 \|ISBN=978-3-96009-049-6}}</ref><ref>{{Literatur\|Autor=Sebastian Raschka \|Ort=Frechen \|Titel=Machine Learning mit Python\| ISBN=9783958454224 \|Verlag=mitp-Verlag \|Jahr=2017}}</ref>		Diese Library wird in mehreren 2017 erschienenen deutschsprachigen Lehrbüchern benutzt.<ref name="muellerguido">{{Literatur \|Autor=Andreas C. Müller, Sarah Guido \|Titel=Einführung in Machine Learning mit Python \|Verlag=O’Reilly-Verlag \|Ort=Heidelberg \|Jahr=2017 \|ISBN=978-3-96009-049-6}}</ref><ref>{{Literatur\|Autor=Sebastian Raschka \|Ort=Frechen \|Titel=Machine Learning mit Python\| ISBN=9783958454224 \|Verlag=mitp-Verlag \|Jahr=2017}}</ref>
Zeile 19:		Zeile 19:

	Scikit-learn lässt sich gut in viele andere Python-Bibliotheken integrieren, wie [[Matplotlib]] und plotly zum Plotten, [[NumPy]] zur Array-Vektorisierung, [[Pandas (Software)\|Pandas]] Dataframes, SciPy und viele mehr.<ref name="muellerguido" />		Scikit-learn lässt sich gut in viele andere Python-Bibliotheken integrieren, wie [[Matplotlib]] und plotly zum Plotten, [[NumPy]] zur Array-Vektorisierung, [[Pandas (Software)\|Pandas]] Dataframes, SciPy und viele mehr.<ref name="muellerguido" />


	== Beispiele ==		== Beispiele ==
Zeile 25:		Zeile 24:

	Als Trainingsdatensatz dient hier der [[Portal:Statistik/Datensaetze#Iris \| Iris flower-Datensatz]] bestehend aus jeweils 50 Beobachtungen dreier Arten von [[Schwertlilie]]n (Iris) ([[Borsten-Schwertlilie\|Iris Setosa]], [[Iris Virginica]] und [[Verschiedenfarbige Schwertlilie\|Iris Versicolor]]), an denen jeweils vier Attribute der Blüten erhoben wurden: die Länge und die Breite des Sepalum ([[Kelchblatt]]) und des Petalum ([[Kronblatt]]).		Als Trainingsdatensatz dient hier der [[Portal:Statistik/Datensaetze#Iris \| Iris flower-Datensatz]] bestehend aus jeweils 50 Beobachtungen dreier Arten von [[Schwertlilie]]n (Iris) ([[Borsten-Schwertlilie\|Iris Setosa]], [[Iris Virginica]] und [[Verschiedenfarbige Schwertlilie\|Iris Versicolor]]), an denen jeweils vier Attribute der Blüten erhoben wurden: die Länge und die Breite des Sepalum ([[Kelchblatt]]) und des Petalum ([[Kronblatt]]).


	<syntaxhighlight lang="python">		<syntaxhighlight lang="python">
	from sklearn import neighbors, datasets		from sklearn import neighbors, datasets

Cirdan: /* Versionsverlauf */ Kein Mehrwert des Versionsverlaufs erkennbar

2021-10-22T17:12:20Z

Versionsverlauf: Kein Mehrwert des Versionsverlaufs erkennbar

@@ Zeile 43: / Zeile 43: @@
 == Versionsverlauf ==
 Scikit-learn wurde ursprünglich 2007 von David Cournapeau als [[Google]] Summer of Code Projekt entwickelt. Später trat Matthieu Brucher dem Projekt bei und begann es im Rahmen seiner Diplomarbeit zu verwenden. Im Jahr 2010 beteiligte sich das INRIA (French Institute for Research in Computer Science and Automation) und die erste öffentliche Version (v0.1 Beta) wurde Ende des Jahres veröffentlicht Januar 2010.
 == Weblinks ==

Cirdan: /* Implementierung */ Deutsche Ausgabe schon als EN vorhanden

2021-10-22T17:11:46Z

Implementierung: Deutsche Ausgabe schon als EN vorhanden

← Nächstältere Version		Version vom 22. Oktober 2021, 19:11 Uhr
Zeile 13:		Zeile 13:
	'''Scikit-learn''' (ehemals scikits.learn) ist eine [[freie Software]]-[[Programmbibliothek\|Bibliothek]] zum [[Maschinelles_Lernen \| maschinellen Lernen]] für die Programmiersprache [[Python (Programmiersprache)\|Python]]. Es bietet verschiedene [[Klassifikationsverfahren\|Klassifikations]]-, [[Regressionsanalyse\|Regressions]]- und [[Clusteranalyse\|Clustering]]-Algorithmen, darunter [[Support-Vektor-Maschine]]n, [[Random Forest]], [[Gradient Boosting]], [[K-Means-Algorithmus\|k-means]] und [[DBSCAN]]. Sie basiert als SciKit (Kurzform für SciPy Toolkit), wie beispielsweise auch [[Scikit-image]], auf den numerischen und wissenschaftlichen Python-Bibliotheken [[NumPy]] und [[SciPy]].		'''Scikit-learn''' (ehemals scikits.learn) ist eine [[freie Software]]-[[Programmbibliothek\|Bibliothek]] zum [[Maschinelles_Lernen \| maschinellen Lernen]] für die Programmiersprache [[Python (Programmiersprache)\|Python]]. Es bietet verschiedene [[Klassifikationsverfahren\|Klassifikations]]-, [[Regressionsanalyse\|Regressions]]- und [[Clusteranalyse\|Clustering]]-Algorithmen, darunter [[Support-Vektor-Maschine]]n, [[Random Forest]], [[Gradient Boosting]], [[K-Means-Algorithmus\|k-means]] und [[DBSCAN]]. Sie basiert als SciKit (Kurzform für SciPy Toolkit), wie beispielsweise auch [[Scikit-image]], auf den numerischen und wissenschaftlichen Python-Bibliotheken [[NumPy]] und [[SciPy]].

	Diese Library wird in mehreren 2017 erschienenen deutschsprachigen Lehrbüchern benutzt.<ref>{{Literatur \|Autor=Andreas C. Müller, Sarah Guido \|Titel=Einführung in Machine Learning mit Python \|Verlag=O’Reilly-Verlag \|Ort=Heidelberg \|Jahr=2017 \|ISBN=978-3-96009-049-6}}</ref><ref>{{Literatur\|Autor=Sebastian Raschka \|Ort=Frechen \|Titel=Machine Learning mit Python\| ISBN=9783958454224 \|Verlag=mitp-Verlag \|Jahr=2017}}</ref>		Diese Library wird in mehreren 2017 erschienenen deutschsprachigen Lehrbüchern benutzt.<ref name="muellerguido">{{Literatur \|Autor=Andreas C. Müller, Sarah Guido \|Titel=Einführung in Machine Learning mit Python \|Verlag=O’Reilly-Verlag \|Ort=Heidelberg \|Jahr=2017 \|ISBN=978-3-96009-049-6}}</ref><ref>{{Literatur\|Autor=Sebastian Raschka \|Ort=Frechen \|Titel=Machine Learning mit Python\| ISBN=9783958454224 \|Verlag=mitp-Verlag \|Jahr=2017}}</ref>

	== Implementierung ==		== Implementierung ==
	Scikit-learn ist weitgehend in Python geschrieben. Einige Kernalgorithmen wurden aus Performancegründen in [[Cython]] realisiert. Support-Vektor-Maschinen werden durch einen Cython-Wrapper um LIBSVM implementiert; logistische Regressions- und lineare Support-Vektor-Maschinen durch einen ähnlichen Wrapper um LIBLINEAR.		Scikit-learn ist weitgehend in Python geschrieben. Einige Kernalgorithmen wurden aus Performancegründen in [[Cython]] realisiert. Support-Vektor-Maschinen werden durch einen Cython-Wrapper um LIBSVM implementiert; logistische Regressions- und lineare Support-Vektor-Maschinen durch einen ähnlichen Wrapper um LIBLINEAR.

	Scikit-learn lässt sich gut in viele andere Python-Bibliotheken integrieren, wie [[Matplotlib]] und plotly zum Plotten, [[NumPy]] zur Array-Vektorisierung, [[Pandas (Software)\|Pandas]] Dataframes, SciPy und viele mehr.<ref~~>{{cite~~ ~~book\|title~~=~~Introduction~~ to Machine Learning with Python\|url=https://python.engineering/introduction-to-machine-learning-with-python/\|author=Andreas C. Müller, Sarah Guido\|ISBN=9781449369415\|publisher=O'Reilly Media\|date=2016}}</~~ref~~>		Scikit-learn lässt sich gut in viele andere Python-Bibliotheken integrieren, wie [[Matplotlib]] und plotly zum Plotten, [[NumPy]] zur Array-Vektorisierung, [[Pandas (Software)\|Pandas]] Dataframes, SciPy und viele mehr.<ref name="muellerguido" />


	== Beispiele ==		== Beispiele ==

Jannet1987 am 22. Oktober 2021 um 16:14 Uhr

2021-10-22T16:14:38Z

@@ Zeile 17: / Zeile 17: @@
 == Implementierung ==
 Scikit-learn ist weitgehend in Python geschrieben. Einige Kernalgorithmen wurden aus Performancegründen in [[Cython]] realisiert. Support-Vektor-Maschinen werden durch einen Cython-Wrapper um LIBSVM implementiert; logistische Regressions- und lineare Support-Vektor-Maschinen durch einen ähnlichen Wrapper um LIBLINEAR.
 == Beispiele ==
@@ Zeile 37: / Zeile 39: @@
 Eine tiefe Analyse dieses Datensatzes mit scikit-learn wurde mehrfach ausführlich beschrieben.<ref>{{Internetquelle |autor=Matthias Parbel |url=https://www.heise.de/developer/artikel/Oliver-Zeigermann-Interaktive-Einfuehrung-in-Machine-Learning-mit-Scikit-Learn-3996819.html |titel=Oliver Zeigermann: Interaktive Einführung in Machine Learning mit Scikit-Learn |werk= |hrsg=heise Developer |datum= |zugriff=2018-08-28 |sprache=de-DE}}</ref><ref>{{Internetquelle |autor=Oliver Zeigermann |url=https://notebooks.azure.com/djcordhose/libraries/data2day-intro/html/2017_intro_data2day.ipynb |titel=Jupyter Notebook zum Vortrag: Machine Learning mit Scikit-Learn |werk= |hrsg= |datum= |zugriff=2018-08-28 |sprache=de}}</ref><ref>{{Internetquelle |autor=Gael Varoquaux |url=http://www.scipy-lectures.org/packages/scikit-learn/index.html |titel=3.6. scikit-learn: machine learning in Python — Scipy lecture notes |werk=Tutorials on the scientific Python ecosystem: a quick introduction to central tools and techniques |hrsg= |datum= |zugriff=2018-08-28 |sprache=en}}</ref>
 == Weblinks ==

Biggerj1: /* Implementierung */

2021-07-19T06:20:38Z

Implementierung

← Nächstältere Version		Version vom 19. Juli 2021, 08:20 Uhr
Zeile 16:		Zeile 16:

	== Implementierung ==		== Implementierung ==
	Scikit-learn ist weitgehend in Python geschrieben. Einige Kernalgorithmen wurden aus Performancegründen in Cython realisiert. Support-Vektor-Maschinen werden durch einen Cython-Wrapper um LIBSVM implementiert; logistische Regressions- und lineare Support-Vektor-Maschinen durch einen ähnlichen Wrapper um LIBLINEAR.		Scikit-learn ist weitgehend in Python geschrieben. Einige Kernalgorithmen wurden aus Performancegründen in [[Cython]] realisiert. Support-Vektor-Maschinen werden durch einen Cython-Wrapper um LIBSVM implementiert; logistische Regressions- und lineare Support-Vektor-Maschinen durch einen ähnlichen Wrapper um LIBLINEAR.

	== Beispiele ==		== Beispiele ==

Xqt: /* Beispiele */

2021-05-08T11:56:05Z

Beispiele

← Nächstältere Version		Version vom 8. Mai 2021, 13:56 Uhr
Zeile 33:		Zeile 33:
	print("Welche Art von Schwertlilie (Iris Setosa, Iris Virginica oder Iris Versicolor)")		print("Welche Art von Schwertlilie (Iris Setosa, Iris Virginica oder Iris Versicolor)")
	print("hat ein 3cm x 5cm Sepalum (Kelchblatt) und ein 4cm x 2cm Petalum (Kronblatt)")		print("hat ein 3cm x 5cm Sepalum (Kelchblatt) und ein 4cm x 2cm Petalum (Kronblatt)")
	print("Antwort: ",iris.target_names[knn.predict([[3, 5, 4, 2]])])		print("Antwort: ", iris.target_names[knn.predict([[3, 5, 4, 2]])])
	</syntaxhighlight>		</syntaxhighlight>

MTheiler: in der Infobox Software mehr Infos aus Wikidata

2020-04-20T19:59:08Z

in der Infobox Software mehr Infos aus Wikidata

← Nächstältere Version		Version vom 20. April 2020, 21:59 Uhr
Zeile 1:		Zeile 1:
	{{Infobox Software		{{Infobox Software
	\| Name = scikit-learn		\| Name = scikit-learn
	\| Logo = ~~[[Datei:Scikit~~ ~~learn~~ ~~logo small.svg\|300px]]~~		\| Logo = <!-- Wikidata -->
	\| Entwickler = Community-Projek		\| Entwickler = Community-Projek
	\| AktuelleVersion = <!-- Wikidata -->		\| AktuelleVersion = <!-- Wikidata -->
Zeile 9:		Zeile 9:
	\| Genre = [[Technical computing]]		\| Genre = [[Technical computing]]
	\| Lizenz = [[BSD-Lizenz\|3-Klausel-BSD-Lizenz]]		\| Lizenz = [[BSD-Lizenz\|3-Klausel-BSD-Lizenz]]
	\| Website = ~~[http://scikit~~-~~learn.org~~ ~~scikit~~-~~learn.org]~~		\| Website = <!-- Wikidata -->
	}}		}}
	'''Scikit-learn''' (ehemals scikits.learn) ist eine [[freie Software]]-[[Programmbibliothek\|Bibliothek]] zum [[Maschinelles_Lernen \| maschinellen Lernen]] für die Programmiersprache [[Python (Programmiersprache)\|Python]]. Es bietet verschiedene [[Klassifikationsverfahren\|Klassifikations]]-, [[Regressionsanalyse\|Regressions]]- und [[Clusteranalyse\|Clustering]]-Algorithmen, darunter [[Support-Vektor-Maschine]]n, [[Random Forest]], [[Gradient Boosting]], [[K-Means-Algorithmus\|k-means]] und [[DBSCAN]]. Sie basiert als SciKit (Kurzform für SciPy Toolkit), wie beispielsweise auch [[Scikit-image]], auf den numerischen und wissenschaftlichen Python-Bibliotheken [[NumPy]] und [[SciPy]].		'''Scikit-learn''' (ehemals scikits.learn) ist eine [[freie Software]]-[[Programmbibliothek\|Bibliothek]] zum [[Maschinelles_Lernen \| maschinellen Lernen]] für die Programmiersprache [[Python (Programmiersprache)\|Python]]. Es bietet verschiedene [[Klassifikationsverfahren\|Klassifikations]]-, [[Regressionsanalyse\|Regressions]]- und [[Clusteranalyse\|Clustering]]-Algorithmen, darunter [[Support-Vektor-Maschine]]n, [[Random Forest]], [[Gradient Boosting]], [[K-Means-Algorithmus\|k-means]] und [[DBSCAN]]. Sie basiert als SciKit (Kurzform für SciPy Toolkit), wie beispielsweise auch [[Scikit-image]], auf den numerischen und wissenschaftlichen Python-Bibliotheken [[NumPy]] und [[SciPy]].