code 发布厂商：Scikit-learn

Scikit-learn

Python机器学习库

访问官方网站

⭐⭐⭐⭐

0 条评测

价格机制免费

开发者架构组 Scikit-learn

收录发布日期

工具简介与核心定位

Scikit-Learn 是 Python 机器学习库，广泛应用在数据挖掘和数据分析。Scikit-Learn提供简单高效的工具，支持多种机器学习算法，包括分类、回归、聚类和降维等。Scikit-Learn设计简洁、易用，且与 NumPy 和 SciPy 等科学计算库无缝集成。Scikit-Learn 以其实用性、高性能和丰富的算法实现而闻名，适合从初学者到专家的各个层次的用户。Scikit-Learn提供详尽的文档和示例，帮助用户快速上手并解决实际问题。

📅 2007 年成立 📜 BSD-3-Clause

ADK 综合性能评测

AI 能力 90%

易用性 90%

性价比 100%

性能表现 80%

社区生态 100%

综合评分 90%

核心特色与功能亮点 (Key Features)

机器学习算法：提供多种分类、回归、聚类和降维算法，满足不同机器学习任务需求。

数据预处理：包含特征缩放、缺失值处理、特征编码和特征选择等工具，帮助准备数据以供模型训练。

模型选择与评估：提供交叉验证、超参数调优和性能评估工具，帮助选择和优化模型。

流水线（Pipeline）：通过流水线工具将数据预处理、模型训练和评估组合成一个完整的流程，简化代码并提高效率。

集成学习：提供 Bagging、Boosting 和随机森林等集成学习算法，提升模型的性能和稳定性。

多输出与多标签：支持多输出分类和回归任务，及多标签分类任务，支持模型同时预测多个目标值或类别。

典型应用场景与适用行业

金融电商制造业

核心能力

机器学习算法：提供多种分类、回归、聚类和降维算法，满足不同机器学习任务需求。数据预处理：包含特征缩放、缺失值处理、特征编码和特征选择等工具，帮助准备数据以供模型训练。模型选择与评估：提供交叉验证、超参数调优和性能评估工具，帮助选择和优化模型。流水线（Pipeline）：通过流水线工具将数据预处理、模型训练和评估组合成一个完整的流程，简化代码并提高效率。集成学习：提供 Bagging、Boosting 和随机森林等集成学习算法，提升模型的性能和稳定性。多输出与多标签：支持多输出分类和回归任务，及多标签分类任务，支持模型同时预测多个目标值或类别。代码辅助

官方新手上手实操教程指南

14-STEP TUTORIAL

安装 scikit-learn：

使用 pip 安装：

使用 conda 安装：

导入必要的模块：在 Python 中，导入 scikit-learn 及相关的模块（如 NumPy 和 Pandas）处理数据。

加载数据集：scikit-learn 提供许多内置的数据集，例如鸢尾花数据集（Iris）、手写数字数据集（Digits）等。

使用内置数据集：

加载自定义数据集：

数据预处理：在训练模型之前，通常需要对数据进行预处理，例如划分训练集和测试集、标准化等。

标准化数据：

训练模型：选择合适的模型并训练它。以逻辑回归为例。

模型评估：使用测试集评估模型的性能。

使用模型进行预测：在新数据上使用训练好的模型进行预测。

保存和加载模型：保存模型：

加载模型：

支持的模型

LogisticRegression scikit-learn

内置

RandomForestClassifier scikit-learn

内置

SVC scikit-learn

内置

KMeans scikit-learn

内置

PCA scikit-learn

内置

官方最新动态与发布资讯

共 8 条动态

2026-08-25 版本升级 | 技术解读 | 生态合作

官方原文

Scikit-learn 发布 Metadata Routing 功能：实现跨库元数据路由与复杂工作流支持

Scikit-learn 正式宣布 Metadata Routing 功能成熟，支持在 Pipeline 中跨组件传递元数据（如 sample_weight, groups）。该更新解决了嵌套元估计器中元数据无法透传的问题，显著提升了与 fairlearn、skorch 等第三方库的互操作性，使开发者能构建更公平、无数据泄露的复杂机器学习工作流。

Scikit-learn官方 / ADK编译阅读资讯全文

2026-06-12 产品动态 | 版本升级 | 技术解读

官方原文

Scikit-learn 1.9 发布：引入回调机制、GPU 加速与数值稳定性全面升级

Scikit-learn 1.9 正式发布，带来三大核心突破：新增实验性 Callback 机制以支持进度追踪与早停；全面强化数值稳定性，原生支持缺失值处理及 GPU 加速；优化稀疏矩阵与内存管理。此次更新显著提升了模型训练的可观测性与计算效率，为复杂场景下的机器学习应用提供了更稳健的底层支持。

Scikit-learn官方 / ADK编译阅读资讯全文

2026-03-05 产品动态 | 版本升级 | 模型发布 | 技术解读

官方原文

scikit-learn 全面拥抱 Array API 标准：GPU 加速与混合设备计算时代开启

scikit-learn 正式宣布全面采纳 Python Array API 标准，彻底解决长期存在的 GPU 支持难题。通过内建 vendor 库与混合设备处理能力，该工具现已原生支持 PyTorch、CuPy 等后端，并允许特征（X）与标签（y）在不同硬件（CPU/GPU）间无缝流转。此次更新标志着机器学习工作流从单一 NumPy 环境向异构计算架构的重大跨越，极大提升了大规模训练与推理的灵活性。

Scikit-learn官方 / ADK编译阅读资讯全文

2026-01-06 产品动态 | 版本升级 | 模型发布 | 技术解读

官方原文

scikit-learn 1.8 发布：交互式模型检查新功能重塑开发者体验

scikit-learn 正式推出版本 1.8，依托 Wellcome Trust 资助的 Chan Zuckerberg Initiative (CZI) 项目，大幅增强模型交互检查能力。新版本在 1.7 的基础上，为 HTML 可视化增加了参数文档链接、工具提示预览及完整参数名复制功能。这些改进显著降低了用户在 Jupyter Notebook 中调试和评估预测模型的门槛，标志着开源机器学习库在开发者体验 (UX) 领域的重大突破。

Scikit-learn官方 / ADK编译阅读资讯全文

2025-06-30 版本升级 | 生态合作 | 开源教育 | 模型发布

官方原文

scikit-learn 携手 Probabl 推出 Skolar：开源数据科学教育新范式

scikit-learn 项目联合其长期赞助商 Probabl 正式推出 Skolar，这是一个旨在民主化开源数据科学教育的完全开源新倡议。Skolar 基于 Inria scikit-learn MOOC 的成功经验，提供从入门到专家级的交互式课程，涵盖无监督学习、数据清洗及行业特定模块。该计划致力于通过社区共建资源，降低数据科学门槛，连接学术研究、软件工具与实战应用。

Scikit-learn官方 / ADK编译阅读资讯全文

查看 Scikit-learn 全部 8 条官方动态与发布资讯

Scikit-learn

工具简介与核心定位

ADK 综合性能评测

核心特色与功能亮点 (Key Features)

典型应用场景与适用行业

核心能力

官方新手上手实操教程指南

安装 scikit-learn：

使用 pip 安装：

使用 conda 安装：

导入必要的模块：在 Python 中，导入 scikit-learn 及相关的模块（如 NumPy 和 Pandas）处理数据。

加载数据集：scikit-learn 提供许多内置的数据集，例如鸢尾花数据集（Iris）、手写数字数据集（Digits）等。

使用内置数据集：

加载自定义数据集：

数据预处理：在训练模型之前，通常需要对数据进行预处理，例如划分训练集和测试集、标准化等。

标准化数据：

训练模型：选择合适的模型并训练它。以逻辑回归为例。

模型评估：使用测试集评估模型的性能。

使用模型进行预测：在新数据上使用训练好的模型进行预测。

保存和加载模型：保存模型：

加载模型：

支持的模型

官方最新动态与发布资讯

Scikit-learn 发布 Metadata Routing 功能：实现跨库元数据路由与复杂工作流支持

Scikit-learn 1.9 发布：引入回调机制、GPU 加速与数值稳定性全面升级

scikit-learn 全面拥抱 Array API 标准：GPU 加速与混合设备计算时代开启

scikit-learn 1.8 发布：交互式模型检查新功能重塑开发者体验

scikit-learn 携手 Probabl 推出 Skolar：开源数据科学教育新范式

同类其它推荐 AI 工具

相关工具与竞品

关于 Scikit-learn 的常见问题

关联底层 AI技术百科

Scikit-learn

工具简介与核心定位

ADK 综合性能评测

核心特色与功能亮点 (Key Features)

典型应用场景与适用行业

核心能力

官方新手上手实操教程指南

安装 scikit-learn：

使用 pip 安装：

使用 conda 安装：

导入必要的模块：在 Python 中，导入 scikit-learn 及相关的模块（如 NumPy 和 Pandas）处理数据。

加载数据集：scikit-learn 提供许多内置的数据集，例如鸢尾花数据集（Iris）、手写数字数据集（Digits）等。

使用内置数据集：

加载自定义数据集：

数据预处理：在训练模型之前，通常需要对数据进行预处理，例如划分训练集和测试集、标准化等。

标准化数据：

训练模型：选择合适的模型并训练它。以逻辑回归为例。

模型评估：使用测试集评估模型的性能。

使用模型进行预测：在新数据上使用训练好的模型进行预测。

保存和加载模型：保存模型：

加载模型：

支持的模型

官方最新动态与发布资讯

Scikit-learn 发布 Metadata Routing 功能：实现跨库元数据路由与复杂工作流支持

Scikit-learn 1.9 发布：引入回调机制、GPU 加速与数值稳定性全面升级

scikit-learn 全面拥抱 Array API 标准：GPU 加速与混合设备计算时代开启

scikit-learn 1.8 发布：交互式模型检查新功能重塑开发者体验

scikit-learn 携手 Probabl 推出 Skolar：开源数据科学教育新范式

同类其它推荐 AI 工具

相关工具与竞品

关于 Scikit-learn 的常见问题

关联底层 AI技术 百科

关联底层 AI技术百科