接下來幾天要來介紹Scikit-learn(SKlearn)，SKlearn在python中提供大量常見的機器學習演算法和許多實用的資料集合，像是Iris以及手寫辨識數字的資料(之後的程式舉例會用到)。而演算法的部分，可以在SKlearn官網中看到，他將功能分為6個部分：Classification、Regression、Clustering、Model selection、Preprocessing、Dimensionality reduction，各個適合的演算法，在SKlearn中也有做相當清楚的圖表，呈現該演算法資料輸出的型態，相當方便，之後也會在舉例中也會一一介紹。

圖片引用於SKlearn官方網站：http://scikit-learn.org/stable/index.html

就像前一篇Day8-什麼是機器學習中提到，在機器做學習之前，要先有正確讓機器了解的數據，因此，接下來幾天要先來討論如何在Scikit-Learn中產生最佳的數據資料表。

• 在python匯入方式

import sklearn

上方提到的Iris資料集合，在python中可以用seaborn來下載iris數據集合，這個數據集合主要紀錄三種鳶尾的型態。

import seaborn as sns
iris = sns.load_dataset('iris')
iris.head()

由上方output資料表來看，可以知道iris這個資料集合主要是紀錄花的種類、花萼及花瓣的長寬。

sns.set()
sns.pairplot(iris, hue='species', size=3);

• 監督式學習：線性回歸
  在這個簡單的例子中，實作的線性回歸，將一條線擬合到（x,y）數據的常見情況。

import matplotlib.pyplot as plt
import numpy as np

rng = np.random.RandomState(42)
x = 50 * rng.rand(50)
y = 2 * x - 1 + rng.randn(50)
plt.scatter(x, y)