这是Python3.2安装scikit-learn机器学习包下载，scikit-learn 机器学习包，很好的工具。但是官方网站没有适合python3.x的，在国外unofficial网站下载。
（网址见我的博文python、数据收集、数据分析） numpy、scipy、scikit-learn三个已打包，顺序逐个安装。
Python3.2安装scikit-learn机器学习包是机器学习算法在近几年大数据点燃的热火熏陶下已经变得被人所“熟知”，就算不懂得其中各算法理论，叫你喊上一两个著名算法的名字，你也能昂首挺胸脱口而出。当然了，算法之林虽大，但能者还是有限，能适应某些环境并取得较好效果的算法会脱颖而出，而表现平平者则被历史所淡忘。随着机器学习社区的发展和实践验证，这群脱颖而出者也逐渐被人所认可和青睐，同时获得了更多社区力量的支持、改进和推广。
以最广泛的分类算法为例，大致可以分为线性和非线性两大派别。线性算法有著名的逻辑回归、朴素贝叶斯、最大熵等，非线性算法有随机森林、决策树、神经网络、核机器等等。线性算法举的大旗是训练和预测的效率比较高，但最终效果对特征的依赖程度较高，需要数据在特征层面上是线性可分的。因此，使用线性算法需要在特征工程上下不少功夫，尽量对特征进行选择、变换或者组合等使得特征具有区分性。而非线性算法则牛逼点，可以建模复杂的分类面，从而能更好的拟合数据。
那在我们选择了特征的基础上，哪个机器学习算法能取得更好的效果呢？谁也不知道。实践是检验哪个好的不二标准。那难道要苦逼到写五六个机器学习的代码吗？No，机器学习社区的力量是强大的，码农界的共识是不重复造轮子！因此，对某些较为成熟的算法，总有某些优秀的库可以直接使用，省去了大伙调研的大部分时间。
基于目前使用python较多，而python界中远近闻名的机器学习库要数scikit-learn莫属了。这个库优点很多。简单易用，接口抽象得非常好，而且文档支持实在感人。本文中，我们可以封装其中的很多机器学习算法，然后进行一次性测试，从而便于分析取优。当然了，针对具体算法，超参调优也非常重要。
Python3.2安装scikit-learn机器学习包是Python的一个开源机器学习模块，它建立在NumPy，SciPy和matplotlib模块之上。值得一提的是，scikit-learn最先是由David Cournapeau在2007年发起的一个Google Summer of Code项目，从那时起这个项目就已经拥有很多的贡献者了，而且该项目目前为止也是由一个志愿者团队在维护着。
scikit-learn的安装方法有很多种，而且也是适用于各种主流操作系统，scikit-learn主页上也分别详细地介绍了在不同操作系统下的三种安装方法，具体安装详情请移步至 installing scikit-learn。
在这里，首先向大家推荐一款学习Python的强大的开发环境python(x，y)。python(x，y)是一个基于python的科学计算软件包，它包含集成开发环境Eclipse和Python开发插件pydev、数据交互式编辑和可视化工具spyder，而且还内嵌了Python的基础数据库numpy和高级数学库scipy、3D可视化工具集MayaVi、Python界面开发库PyQt、Python与C/C++混合编译器SWIG。除此之外，python(x，y)配备了丰富齐全的帮助文档，非常方便科研人员使用。
对于像楼主这样，在学校习惯了用Matlab仿真搞科研的学生而言，python(x，y)是学习Python的一个绝佳选择，其中内嵌的spyder提供了类似于Matlab的交互界面，可以很方便地使用。python(x，y)的下载请点击这里：python(x，y)下载。
由于scikit-learn是基于NumPy、SciPy和matplotlib模块的，所以在安装scikit-learn之前必须要安装这3个模块，这就很麻烦。但是，如果你提前像楼主这样安装了python(x，y)，它本身已经包含上述的模块，你只需下载与你匹配的scikit-learn版本，直接点击安装即可。
scikit-learn各种版本下载：scikit-learn下载。
