scikit-learn 机器学习库

是什么

scikit-learn 是一个用 Python 编写的统计学习（statistical learning）库 ^[2]。在编程中，「库」指一批可以反复调用的现成代码，别的程序不必从零重写每一个环节；统计学习则是用数据拟合模型，让模型能对新样本作出判断或给出估计。在同一个库的接口下可以换用不同的模型：有的适合把样本归入若干类别，有的适合估计一个数值。scikit-learn 是开源的，以 BSD 许可证发布 ^[2]——这是一种宽松的协议，允许他人使用、修改和再分发代码。Inria 说它是 GitHub 上最流行的三款机器学习软件之一 ^[2]。

它处理的是复杂数据，包括数据库、文本和图像 ^[2]。Inria 列出的应用方向有欺诈与垃圾邮件检测、医学图像分析、工业流程优化 ^[2]。垃圾邮件检测要从大量邮件里分出正常邮件与推广邮件，医学图像分析要从影像里找出值得关注的位置，工业流程优化则用生产记录把参数设置与最终结果对应起来。这些场景的数据形态差别很大，处理流程却相似：整理数据、挑模型、拟合、再检验效果。

由来

按项目自己的历史记录，scikit-learn 始于 2007 年，最初是 David Cournapeau 的一个 Google Summer of Code 项目 ^[1]。Matthieu Brucher 随后也在 2007 年因为学位论文开始在这个项目上工作 ^[1]。Inria 的说法更强调社区：项目最初由 Python 科学计算社区的成员在 2007 年发起，2009 年因 Inria 的 Parietal 项目团队投入而重新起步 ^[2]。两种叙述在起始年份和背景上是一致的——这项工作长在 Python 科学计算社区里，而不是某家公司的产品计划里。

首次公开发布

转折发生在 2010 年。Inria 的 Fabian Pedregosa、Gael Varoquaux、Alexandre Gramfort 和 Vincent Michel 接手主导项目，并于 2010 年 2 月 1 日完成首次公开发布 ^[1]。此后项目进入固定节奏，大约每三个月发布一个新版本 ^[1]。可预期的发布周期在软件里很实际：使用者能安排升级，修好的问题也能在几个月内到达用户手里，而不必无休止地等待。

如何被引用

科研软件有个尴尬之处：用得极多，被引用得极少。官方页面为此直接给出办法，请使用者引用一篇论文——Pedregosa 等人 2011 年发表在 JMLR（Journal of Machine Learning Research）上的 Scikit-learn: Machine Learning in Python，第 12 卷，2825 至 2830 页 ^[1]。把软件写成期刊论文，等于给学术使用者提供了一个标准的致谢方式，也让读到这些论文的人有一个固定的出处可以查。

在发展中的位置

从 2007 年的一个暑期编程项目，到 2009 年研究团队投入后的重新起步，再到 2010 年 2 月 1 日的公开发布和此后大约每三个月一轮的发布节奏 ^[1][2]：这条线索是科研软件常见的一条路径——社区先做出工具，研究机构再投入人员和经费，让工具延续下去。Inria 现在把 scikit-learn 列为 GitHub 上最流行的三款机器学习软件之一 ^[2]，项目也仍在按自己的节奏发布版本 ^[1]。