一、scikit-learn怎么入门

scikit-learn的基本功zhidao能主要被分为六个部分，分类，回归，聚类，数据降维，模型选择，数据预处理，具体可以参考官方网站上的文档。

对于具体的机器学习专问题，通常可以分为三个步骤，数据准备与预处理，模型选择与训练，模型验证与参数调优，这里以逻辑回归模型为例说明。

scikit-learn支持多种格式的数属据，包括经典的iris数据，LibSVM格式数据等等。为了方便起见，推荐使用LibSVM格式的数据，详细见LibSVM的官网。

from sklearn.datasets importload_svmlight_file，导入这个模块就可以加载LibSVM模块的数据，

二、如何确定最适合数据集的机器学习算法

首先，你可以思考哪些算法可能适用于你的数据集。

其次，我建议尽可能地尝试混合算法并观察哪个方法最适用于你的数据集。

尝试混合算法(如事件模型和树模型)

尝试混合不同的学习算法(如处理相同类型数据的不同算法)

尝试混合不同类型的模型(如线性和非线性函数或者参数和非参数模型)

让我们具体看下如何实现这几个想法。下一章中我们将看到如何在 R 语言中实现相应的机器学习算法。

三、机器学习 决策树构建 遇到连续数据时怎么处理

连续随机变量在节点进行分配的时候，会被分割开，不影响。