Scikit-learn: differenze tra le versioni
Contenuto cancellato Contenuto aggiunto
Nessun oggetto della modifica |
|||
Riga 9:
Contiene algoritmi di [[classificazione]], [[regressione]] e [[clustering]] (raggruppamento) e [[macchine a vettori di supporto]], regressione logistica, [[classificatore bayesiano]], k-mean e [[DBSCAN]], ed è progettato per operare con le librerie [[NumPy]] e [[SciPy]].
scikit-learn è attualmente sponsorizzato da [[INRIA]] e talvolta da [[Google]].
==Implementazione==
Scikit-learn è in gran parte scritto in Python e utilizza [[NumPy]] ampiamente per operazioni di algebra lineare e array ad alte prestazioni. Inoltre, alcuni algoritmi di base sono scritti in Cython per migliorare le prestazioni.<ref>{{Cite web|url=https://github.blog/2019-01-24-the-state-of-the-octoverse-machine-learning/|title=The State of the Octoverse: machine learning|date=2019-01-24|website=The GitHub Blog|publisher=[[GitHub]]|language=en-US|access-date=2019-10-17}}</ref> Le macchine vettoriali di supporto sono implementate da un wrapper [[Cython]] attorno a LIBSVM; [[regressione logistica]] e macchine vettoriali di supporto lineare da un wrapper simile intorno a LIBLINEAR. In tali casi, potrebbe non essere possibile estendere questi metodi con Python.<ref>{{cite book|title=Pandas CookBook|url=https://python.engineering/pandas-cookbook/|author=Matt Harrison, Theodore Petrou|publisher=Packt Publishing|year=2017|ISBN=978-1784393878}}</ref>
Scikit-learn si integra bene con molte altre librerie Python, come [[Matplotlib]] e plotly per la stampa, NumPy per la vettorizzazione degli array, i dataframe [[Pandas (software)|Pandas]], [[SciPy]] e molte altre.
== Voci correlate ==
| |||