学好Scikit-Learn，于是你默默地推了一下酷酷的墨镜【下篇】

此前小天分享了PyTorc干货的Scikit-Learn上篇（点击蓝字可直接阅读），看完下篇希望你能马上学溜PyTorch！（万一这回就学以致用了呢，我先收藏为敬）

讲完Scikit-Learn的数据表示和评估器API的基础知识、简单线性回归，小天将在本文中为大家带来鸢尾花数据的分类、降维和聚类，还有手写数据的探索，耐心往下看吧~

Scikit-Learn·下篇

有监督学习示例：鸢尾花数据分类

如何为鸢尾花数据集建立模型，先用一部分数据进行训练，再用模型预测出其他样本的标签？

我们将使用非常简单的高斯朴素贝叶斯（Gaussian naive Bayes）方法完成这个任务，这个方法假设每个特征中属于每一类的观测值都符合高斯分布。因为高斯朴素贝叶斯方法速度很快，而且不需要选择超参数，所以通常很适合作为初步分类手段，再借助更复杂的模型进行优化之前