Scikit-learn ist eine in Python geschriebene Bibliothek für maschinelles Lernen, die darauf ausgelegt ist, klassische Algorithmen für maschinelles Lernen in moderne Data-Science-Workflows zu integrieren. Scikit-learn ist eine kostenlose Open-Source-Bibliothek, die aus einfachen und effizienten Tools für Data Mining und Datenanalyse besteht und für die Zusammenarbeit mit den populären wissenschaftlichen Computersprachen SciPy und NumPy entwickelt wurde.
Die Bibliothek basiert auf bestehenden Open-Source-Projekten wie SciPy, NumPy, Pandas und Cython und kombiniert historische Forschung zum maschinellen Lernen mit moderner Softwareentwicklung. Es bietet eine Reihe überwachter und unüberwachter Lernalgorithmen.
Zu den verfügbaren Algorithmen gehören logistische Regression, Random Forests und Support Vector Machines sowie Clustering-Modelle (z. B. k-means), Entscheidungsbäume und Ensemble-Methoden. Scikit-learn bietet außerdem Hilfsfunktionen zur Visualisierung, Vorverarbeitung, Funktionsauswahl und mehr. Es lässt sich problemlos in andere Bibliotheken wie Matplotlib und Jupyter-Notebooks integrieren.
Dank seines API-Designs ist es für Benutzer einfach, die Bibliothek zu erweitern. Darüber hinaus steht der Bibliothek eine umfassende Dokumentation als Online-Dokumentation oder Tutorials sowie eine stetig wachsende Benutzergemeinschaft zur Verfügung.
Scikit-learn kann für eine Vielzahl von Aufgaben verwendet werden, einschließlich Klassifizierung, Regression, Clustering und Dimensionsreduktion, und kann zum Definieren, Trainieren, Testen und Bewerten von Modellen für maschinelles Lernen verwendet werden. Es eignet sich gut für kleine bis mittelgroße Datensätze sowie für Big-Data-Schulungen.
