基本上Scikit-Learn的使用非常簡單，比較像是工具包，大多是需要了解原理直接調用不同函數，這篇做一些基本的介紹，大致熟悉一下，使用時直接查詢手冊目錄的介紹與範例即可。

Scikit-Learn

Scikit-Learn官網
Scikit-Learn英文文檔
Scikit-Learn中文文檔

選擇正確的評估器(Choosing the right estimator)

Flow Chart

加載數據集

數據集可以從外存讀取後做資料前處理，Scikit-Learn本身也提供一些整理好的數據集可以下載，以及提供一些數據生成器可以用來用來生成數據，匯入模組import sklearn.datasets，詳細數據格式及加載說明請參考API、文檔。

線性回歸

Ordinary Least Squares
OLS(普通最小二乘)線性回歸中有2種求解法，一種是直接法，求解涉及到矩陣的求逆，當特徵矩陣數據量過大，求逆是一個很耗時的過程，我們可以使用先對特徵矩陣做奇異值分解(SVD)後再求廣義逆，但通常是使用另一種梯度下降法繞過求逆的過程。
OLS算法使用的前提是必須滿足數據集無多重共線性，因為它是無偏估計，這也使它非常懼怕多重共線性問題，會使矩陣近似於奇異矩陣，使得它往往得到的權重參數Variance大而造成overfitting現象，是一個不穩定的回歸算法，可以使用regularization或Dimension Reduction等等方法來解決。

z score normalization

Preprocessing data
StandardScaler

Confusion matrix

confusion_matrix
Confusion matrix