一、sklearn是何？
Sklearn (全称 Scikit-Learn) 是基于 Python 语言的机器进修工具，是机器进修中的常用第三方模块。它建立在 NumPy, SciPy, Pandas 和 Matplotlib 之上，里面的 API 的设计非常好，所有对象的接口简单，对常用的机器进修技巧进行了封装，包括回归(Regression)、降维(Dimensionality Reduction)、分类(Classfication)、聚类(Clustering)等技巧。
二、何是sklearn？
Scikit-learn（简称sklearn）一个用于机器进修的Python库。它建立在NumPy、SciPy和Matplotlib的基础上，提供了各种常用的机器进修算法和工具。
Scikit-learn包含了一些常用的分类、回归、聚类、降维等算法，并提供了丰盛的功能来处理数据预处理、特征选择、模型评估等任务。因其简单易用和丰盛的文档资料，成为了机器进修领域中广泛使用的库其中一个。
三、sklearn模块的特点？
答:sklearn模块的特点:简单高效的数据挖掘和数据分析工具；让每个人能够在复杂环境中重复使用；建立NumPy、Scipy、MatPlotLib之上。
四、sklearn和tensorflow区别？
sklearn定位是通用机器进修库；tensorflow定位是深度进修库。
sklearn提供强大的特征工程处理函数，如降维、特征选择等；tensorflow没有。
sklearn更倾向于使用者可以自行对数据进行处理；tensorflow则是通过深度进修机制进修数据表征。
sklearn主要适合中小型、实用机器进修项目，对硬件要求相对较低，尤其是那种数量级不大且需要使用者手动对数据进行处理，并选择合适模型的项目；
tensorflow主要适合已经明确了解需要深度进修，且数据处理要求不高的项目，那种数据量较大且最终需要的京都要求更高的项目比较适用（一般需要GPU加速应用）。
五、逻辑处理是何？
逻辑处理是:逻辑处理器支持超线程技术的处理器在一个单核心的CPU内，利用其中空闲的执行单元，模拟出另外一个核心，使整个CPU有两个逻辑核心，从而提高整个CPU的职业效率。
由于逻辑处理器是通过在一枚处理器上整合两个逻辑处理器单元，使得具有这种技术的新型CPU，有能同时执行多个线程的能力，这就是我们所说的超线程 。
六、tensorflow与sklearn何者快？
tensorflow与sklearn都快，易用性 ·相对而言,TensorFlow职业流易于领悟。它的API保持着高度的一致性,这意味着在尝试不同模型时,无需从头进修一套新的物品。 ·TensorFlowAPI很稳定,维护者始终在努力确保每次改动都向下兼容。 ·TensorFlow与NumPy无缝集成,可使大多数了解Python的数据科学家如鱼得水。
七、sklearn是何者公司的？
scikit-learn，又写作sklearn，一个开源的基于python语言的机器进修工具包。它通过NumPy, SciPy和Matplotlib等python数值计算的库实现高效的算法应用，并且涵盖了几乎所有主流机器进修算法。
八、pytorch和sklearn的区别？
区别就是两者意思是不一样具体的不同如下
PyTorch一个开源的Python机器进修库，基于Torch，用于天然语言处理等应用程序，它一个基于Python的可续计算包，提供两个高质量功能：
具有强大的GPU加速的张量计算（如NumPy）；
包含自动求导体系的深度神经网络。
sklearn是针对Python 编程语言的免费软件机器进修库[1]。它具有各种分类，回归和聚类算法，包括支持向量机，随机森林，梯度提升，k均值和DBSCAN，并且旨在与Python数值科学库NumPy和SciPy联合使用。
九、sklearn函数正确顺序是？
1. 拆分数据：将原始数据拆分为训练集和测试集，使用sklearn中cross_validation模块中的train_test_split函数；
2. 标准化处理：将原始数据标准化，使用sklearn中preprocessing模块中的StandardScaler；
3. 建模：使用sklearn中linear_model中的Perceptron，输入超参数，并用训练集fit它；
4. 预测：predict输入的测试集；
5. 评分：使用sklearn的metrics模块的accuracy_score输出分类准确率。
十、sklearn的主要任务？
sklearn一个用于机器进修和数据挖掘的Python库，主要任务是提供简单易用且高效的工具，帮助用户进行数据预处理、特征提取、模型训练和评估等任务。
它包含了多种经典的机器进修算法，如线性回归、决策树、支持向量机等，同时还提供了许多功能丰盛的模块，如降维、聚类、模型选择等。通过sklearn，用户可以方便地构建机器进修流程，进行数据分析和预测建模，从而帮助解决实际难题，提高决策效率和预测准确性。
