# scikit-learn Reviews **Vendor:** scikit-learn **Category:** [Maschinelles Lernsoftware](https://www.g2.com/de/categories/machine-learning) **Average Rating:** 4.8/5.0 **Total Reviews:** 60 ## About scikit-learn Scikit-learn ist eine Software-Bibliothek für maschinelles Lernen für die Programmiersprache Python, die verschiedene Klassifikations-, Regressions- und Clustering-Algorithmen umfasst, darunter Support-Vektor-Maschinen, Random Forests, Gradient Boosting, k-Means und DBSCAN, und ist darauf ausgelegt, mit den numerischen und wissenschaftlichen Bibliotheken NumPy und SciPy von Python zusammenzuarbeiten. ## scikit-learn Pros & Cons **What users like:** - Benutzer schätzen die **Benutzerfreundlichkeit** von scikit-learn, was es perfekt für Anfänger im maschinellen Lernen macht. (1 reviews) - Benutzer lieben scikit-learn für seine **saubere und intuitive API** , die maschinelles Lernen für Anfänger zugänglich macht. (1 reviews) - Benutzer finden die **saubere API und die vorgefertigten Algorithmen** von scikit-learn unerlässlich, um effizient maschinelles Lernen zu erlernen und umzusetzen. (1 reviews) **What users dislike:** - Benutzer erleben **Verzögerungsprobleme** mit schweren Modellen in scikit-learn, was die effiziente Leistung und die Ausgabequalität beeinträchtigt. (1 reviews) - Benutzer finden die **begrenzte Anpassungsmöglichkeit** in scikit-learn frustrierend, was ihre Fähigkeit beeinträchtigt, Algorithmen effektiv anzupassen. (1 reviews) - Benutzer finden den **Zeitaufwand** für das Erlernen von scikit-learn erheblich, insbesondere für diejenigen, die neu in Python sind. (1 reviews) ## scikit-learn Reviews ### 1. Perfekte Starterbibliothek für Anfänger im Bereich maschinelles Lernen **Rating:** 4.5/5.0 stars **Reviewed by:** Verifizierter Benutzer in Höhere Bildung | Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** December 17, 2025 **Was gefällt Ihnen an scikit-learn am besten?** Ich nehme an, dies ist die Bibliothek, mit der jeder Anfänger, der maschinelles Lernen lernt, beginnt, und so auch ich. Dies ist eine sehr übersichtliche Bibliothek, in der man den grundlegenden logischen Code vieler Algorithmen wie Regression, Klassifikation und Clustering usw. erhält. Da der Algorithmus bereits vorgegeben ist, konzentriere ich mich nur auf das Training der Daten und die Ausgabe. Sie hat eine sehr saubere und reibungslose API. **Was gefällt Ihnen an scikit-learn nicht?** Wie bereits erwähnt, ist es für Anfänger gedacht, und wenn Sie Python nicht kennen, wird es viel Zeit in Anspruch nehmen, um zu verstehen, wie alles funktioniert. Es unterstützt keine schweren Modelle (wenn Sie versuchen, eines zu erstellen, beginnt es zu stocken und liefert nicht das gewünschte Ergebnis). Es bietet auch nur begrenzte Anpassungsmöglichkeiten für die Algorithmen, wie z.B. Black Boxes, und eine feinkörnige Steuerung ist nicht immer einfach. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Es ist sehr nützlich, das Modell zu trainieren, wie bereits erwähnt, da es viele Algorithmen enthält, sodass ich den Code nicht von Grund auf neu schreiben muss. In meiner Studienzeit hat es mir geholfen, 2-3 Modelle zu erstellen und eine Genauigkeit von etwa 80 Prozent zu erreichen. Das hat mein Interesse an diesem Bereich geweckt und ich bin zu TensorFlow gewechselt, um mehr zu lernen. ### 2. Python-Bibliothek **Rating:** 4.5/5.0 stars **Reviewed by:** Diana B. | Kleinunternehmen (50 oder weniger Mitarbeiter) **Reviewed Date:** May 02, 2023 **Was gefällt Ihnen an scikit-learn am besten?** Benutzer, die die Algorithmen mit ihren Plattformen verbinden möchten, finden auf der Website von scikit-learn eine detaillierte API-Dokumentation. Viele Mitwirkende, Autoren und eine große internationale Online-Community unterstützen und aktualisieren Scikit-learn. Es ist einfach zu verwenden. Die Bibliothek wird unter der BSD-Lizenz veröffentlicht, sodass sie kostenlos mit nur den grundlegendsten rechtlichen und lizenzrechtlichen Einschränkungen verfügbar ist. Das scikit-learn-Paket ist äußerst anpassungsfähig und nützlich und kann für eine Vielzahl von Aufgaben in der realen Welt verwendet werden, wie z.B. die Entwicklung von Neuroimaging, die Vorhersage des Verbraucherverhaltens usw. **Was gefällt Ihnen an scikit-learn nicht?** Es ist keine gute Wahl, wenn man ein tiefgehendes Lernen bevorzugt. Es bietet eine einfache Abstraktion, die Anfänger im Bereich Data Science dazu verleiten kann, weiterzumachen, ohne zuerst die Grundlagen zu lernen. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Scikit-learn ermöglicht es uns, Algorithmen des maschinellen Lernens zu definieren und miteinander zu vergleichen, und bietet zudem Werkzeuge zur Datenvorverarbeitung. Die K-means-Clusterbildung, Random Forests, Support Vector Machines und jedes andere Modell des maschinellen Lernens, das wir entwickeln möchten, sind in Scikit-learn enthalten. ### 3. Beste Open-Source-Bibliothek für maschinelles Lernen. **Rating:** 5.0/5.0 stars **Reviewed by:** Palash S. | Graduate Research Assistant, Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** September 20, 2023 **Was gefällt Ihnen an scikit-learn am besten?** Ich mag, wie dynamisch die scikit-learn-Bibliothek ist. Sie bietet vorgefertigte und einsatzbereite Funktionen für alle Arten von maschinellen Lern- und Datenvorverarbeitungsalgorithmen. **Was gefällt Ihnen an scikit-learn nicht?** Der einzige Nachteil ist der Mangel an nativer Unterstützung für Deep-Learning-Bibliotheken. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Die meiste Zeit verwende ich die Sci-Kit-Learn-Bibliothek für Regressionszwecke in der Verkaufsprognose. ### 4. scikit-learn **Rating:** 5.0/5.0 stars **Reviewed by:** Kitriakos S. | Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** June 09, 2023 **Was gefällt Ihnen an scikit-learn am besten?** Scikit-learn basiert auf effizienten numerischen Bibliotheken wie NumPy und SciPy, die optimierte Implementierungen von mathematischen und numerischen Operationen bereitstellen. Dies stellt sicher, dass die Bibliothek große Datensätze und komplexe Berechnungen effizient verarbeiten kann, was zu ihrer Robustheit und Skalierbarkeit beiträgt. **Was gefällt Ihnen an scikit-learn nicht?** Während scikit-learn eine Reihe von Werkzeugen für die Merkmalsauswahl, -extraktion und -transformation bietet, bietet es nicht die umfangreichen automatisierten Feature-Engineering-Fähigkeiten, die in einigen spezialisierten Bibliotheken zu finden sind. Benutzer müssen möglicherweise Merkmale manuell entwickeln oder auswählen, basierend auf ihrem Fachwissen, oder andere Feature-Engineering-Bibliotheken oder -Techniken erkunden. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Scikit-learn umfasst Funktionalitäten zur Textvorverarbeitung, Merkmalsextraktion aus Textdaten und zum Aufbau von maschinellen Lernmodellen für NLP-Aufgaben. Es bietet Methoden zur Vektorisierung von Texten mit Techniken wie Bag-of-Words, TF-IDF und Wort-Einbettungen. Dies macht es nützlich für Aufgaben wie Sentiment-Analyse, Textklassifikation und Dokumenten-Clustering. ### 5. Maschinelles Lernen Bibliothek, die Sie kennen müssen **Rating:** 4.5/5.0 stars **Reviewed by:** Chandresh M. | System Engineer, Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** September 23, 2021 **Was gefällt Ihnen an scikit-learn am besten?** Das Beste, meiner Meinung nach, ist, dass es Dokumentation zu scikit-learn gibt. Also, wenn ich manchmal Schwierigkeiten habe, einige Algorithmen anzuwenden, kann ich die Dokumentation überprüfen, die mir hilft. Ich mag diese Sache. Scikit-learn bietet auch viele eingebaute Datensätze, damit ich sie zu Übungszwecken verwenden kann. Scikit-learn kommt mit vielen maschinellen Lernalgorithmen, was es mir erleichtert, Algorithmen zu implementieren. Ich mag, dass es mit vielen Datenmanipulationsfunktionen kommt, um meine Daten nach meinen Anforderungen zu bereinigen. **Was gefällt Ihnen an scikit-learn nicht?** Eine Sache, die ich nicht besonders schätze, ist, dass es keine Deep-Learning-Algorithmen hat. Wenn ich einen produktionsreifen Algorithmus entwickeln möchte, dann ist scikit-learn im Vergleich zu ihren Konkurrenten nicht so großartig. **Empfehlungen für andere, die scikit-learn in Betracht ziehen:** Wenn Sie ein Anfänger in der Entwicklung von Machine Learning sind, dann sollten Sie mit der scikit-learn-Bibliothek beginnen, die Ihnen viele Machine-Learning-Algorithmen bietet, damit Sie sie lernen können. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Ich benutze scikit-learn, um Machine-Learning-Anwendungen zu entwickeln. ### 6. scikit-learn ist die beste Machine-Learning-Bibliothek für die Python-Plattform. **Rating:** 5.0/5.0 stars **Reviewed by:** Dr. Jayant J. | Assistant Professor, Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** January 19, 2022 **Was gefällt Ihnen an scikit-learn am besten?** scikit-learn-Bibliothek ist sehr einfach zu importieren und bereit für die Verwendung auf der Python-Plattform. Sie enthält auch einige Beispieldatensätze zum Ausprobieren von Machine-Learning-Algorithmen. **Was gefällt Ihnen an scikit-learn nicht?** Es gibt an sich keinen Punkt, den ich an der scikit-learn-Bibliothek nicht mag. Die meisten der häufig verwendeten sowie aktuellen maschinellen Lernalgorithmen sind zur Nutzung verfügbar. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Ich verwende die scikit-learn-Bibliothek zur Lösung von maschinellen Lernproblemen. ### 7. Beste Bibliothek für Data Science **Rating:** 5.0/5.0 stars **Reviewed by:** Joaquín A. | Data-analyst, Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** December 23, 2021 **Was gefällt Ihnen an scikit-learn am besten?** Was ich an Scikit-learn mag, ist seine Dokumentation, Klarheit und Vielseitigkeit des Kits. **Was gefällt Ihnen an scikit-learn nicht?** Bisher gibt es nichts, was mir daran nicht gefällt. **Empfehlungen für andere, die scikit-learn in Betracht ziehen:** Ich empfehle Scikitlearn sehr. Es ist eine fantastische Option für maschinelle Lernprojekte. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Es ist meine erste Option beim Datenmodellieren und maschinellen Lernen. ### 8. Informativ **Rating:** 5.0/5.0 stars **Reviewed by:** Aarti M. | Senior Officer- Client success, Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** January 19, 2022 **Was gefällt Ihnen an scikit-learn am besten?** Informationsveranstaltung und fortschrittliche Werkzeuge zum Lernen **Was gefällt Ihnen an scikit-learn nicht?** Die Dauer sollte länger und ausführlicher sein. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** alltägliche Probleme ### 9. Grundlegende maschinelle Lernbibliothek **Rating:** 4.5/5.0 stars **Reviewed by:** deniz y. | Business Intelligence Manager, Kleinunternehmen (50 oder weniger Mitarbeiter) **Reviewed Date:** September 24, 2021 **Was gefällt Ihnen an scikit-learn am besten?** Es ist sehr nützlich am Anfang für Data Mining und Datenanalyse. Einfach zu verwenden. Es bietet maximale Effizienz mit minimalem Aufwand. Datenverarbeitung, Regression, Dimensionsreduktion, Klassifikation, Clusteranalyse sind die Funktionen, die ich nutze. Es ist komplett kostenlos. **Was gefällt Ihnen an scikit-learn nicht?** Es läuft langsam bei großen Datensätzen. Es kann sich bei der Klassifizierung verbessern. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Ich kann vorab kategorisierte Daten automatisch verarbeiten. ### 10. Verfügbarkeit von eingebauten Funktionen und einfache Handhabung **Rating:** 4.5/5.0 stars **Reviewed by:** Verifizierter Benutzer in Drahtlos | Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** October 11, 2021 **Was gefällt Ihnen an scikit-learn am besten?** Ich mag es wirklich, wenn ich ein maschinelles Lernproblem löse. Es gibt viele eingebaute ML-Modelle, die schwer zu implementieren sind, aber hier sind sie einfach zu verwenden. **Was gefällt Ihnen an scikit-learn nicht?** Ich finde, dass es viel mehr gute tiefe neuronale Netzmodelle haben sollte. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Maschinelles Lernen für Sprach- und Bildverarbeitungsprojekte ### 11. Mit diesem Framework vertraut zu sein, ist ein Muss für Fachleute im Bereich Data Science/Maschinelles Lernen! **Rating:** 5.0/5.0 stars **Reviewed by:** Devwrat T. | Project Manager, Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** September 15, 2020 **Was gefällt Ihnen an scikit-learn am besten?** Der beste Aspekt dieses Frameworks ist die Verfügbarkeit gut integrierter Algorithmen innerhalb der Python-Entwicklungsumgebung. Es ist ziemlich einfach, es in den meisten Python-IDEs zu installieren und relativ einfach zu verwenden. Viele Tutorials sind online zugänglich, die das Verständnis dieser Bibliothek ergänzen und es ermöglichen, in maschinellem Lernen versiert zu werden. Es wurde eindeutig mit einem softwaretechnischen Ansatz entwickelt und ist dennoch sehr flexibel für Forschungsprojekte. Da es auf mehreren mathematischen und datenbasierten Bibliotheken aufbaut, ermöglicht scikit-learn eine nahtlose Integration zwischen ihnen allen. Die Möglichkeit, numpy-Arrays und pandas-Datenrahmen innerhalb der scikit-learn-Umgebung zu verwenden, macht zusätzliche Datenumwandlungen überflüssig. Das heißt, man sollte sich definitiv mit dieser einfach zu verwendenden Bibliothek vertraut machen, wenn man plant, ein datengetriebener Profi zu werden. Man könnte ein einfaches maschinelles Lernmodell mit nur 10 Zeilen Code erstellen! Mit einer Vielzahl von Funktionen wie Modellvalidierung, Datenteilung für Training/Tests und vielen anderen erleichtert der Open-Source-Ansatz von scikit-learn eine überschaubare Lernkurve. **Was gefällt Ihnen an scikit-learn nicht?** Ein Problem, das mich seit einiger Zeit beschäftigt und beunruhigt, ist der Mangel an Transformationsmöglichkeiten für kategoriale Variablen (es ist in Bibliotheken wie TensorFlow viel einfacher). Es ist im Vergleich zu TensorFlow langsamer, wenn es um große Datensätze geht, und dies sollte bald übernommen werden, insbesondere im Zeitalter der Big-Data-Technologien. Mit der Häufigkeit der Updates glaube ich jedoch, dass die meisten Probleme sehr schnell gelöst werden, was es zu einem robusten Paket für die Entwicklung von maschinellem Lernen macht. **Empfehlungen für andere, die scikit-learn in Betracht ziehen:** Ich empfehle dringend, dass diejenigen, die in das Gebiet der Datenwissenschaft/Analyse einsteigen, sich intensiv mit dieser Bibliothek auseinandersetzen, angesichts der Menge an verfügbaren Online-Ressourcen. Mit der benutzerfreundlichen Oberfläche, der Open-Source-Natur sowie der Flexibilität und Anpassungsfähigkeit an andere Frameworks könnte maschinelles Lernen nicht einfacher sein! Ich persönlich denke, dass der Einstieg mit scikit-learn Ihnen helfen wird, sich an andere Big-Data-Tools im Bereich des maschinellen Lernens wie PySpark anzupassen. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Da ich ein Data-Science-Experte bin, verwende ich scikit-learn, um prädiktive Analysemodelle für Nachfrageprognosen und andere Anwendungen zu erstellen. Scikit-learn ist das beste Framework, das bei der Entwicklung von Machine-Learning-Modellen hilft und es mir ermöglicht hat, an vielen Online-Wettbewerben teilzunehmen und zu gewinnen. Einer der Hauptvorteile ist die einfache Erlernbarkeit und Benutzerfreundlichkeit dieser Bibliothek. Zusammen mit der Menge an verfügbaren Ressourcen online für diese Bibliothek ist es die beste ML-Bibliothek, die es gibt. ### 12. Scikit ist die grundlegende Plattform für maschinelles Lernen. **Rating:** 4.5/5.0 stars **Reviewed by:** YOGESH B. | Mr, Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** June 01, 2020 **Was gefällt Ihnen an scikit-learn am besten?** Es ist die Plattform für maschinelles Lernen, einfach zu lernen, einfach zu testen, bietet alle Fähigkeiten, die jede Plattform für maschinelles Lernen haben sollte, viele Algorithmen wie Encoder - Binärcodec, One-Hot-Encoder, bietet Implementierung für alle überwachten und unüberwachten Lernmethoden, bietet alle Möglichkeiten zur Validierung des Modells, wir können leicht mit Matplotlib, Pandas, Numpy und für Serialisierer integrieren, viele spezifische Beispiel-Tutorials im Internet verfügbar für Anfänger, es ist Open Source und völlig kostenlos, viele der anderen Open-Source- und viele proprietäre Produkte für ML werden auf der Sci-Kit-Bibliothek entwickelt, da es eine Python-Schnittstelle bietet, die leicht zu erlernen und mit vielen anderen Plattformen zu integrieren ist. **Was gefällt Ihnen an scikit-learn nicht?** es gibt zwei Probleme, die ich erwähnen kann, sind 1. nicht möglich, horizontal zu skalieren 2. Probleme, wenn wir kategoriale Attribute in Variablen haben - sie in binäre oder One-Hot-Codierung zu kodieren, wird das Problem nicht lösen Viele der jüngsten Technologien wie h2o, TensorFlow bieten die Möglichkeit, kategoriale Attribute als Eingaben für den Algorithmus zu verwenden. **Empfehlungen für andere, die scikit-learn in Betracht ziehen:** Es ist einfach zu lernen und bietet viele Tutorials oder Lernmaterialien. Anfänger können mit Sci-Kit-Learn beginnen und problemlos zu anderen Plattformen wechseln. Viele Beispiele sind im Internet verfügbar. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Wir verwenden Sci-Kit, um viele Modelle für die Anomalieerkennung zu lernen und auch, um das Benutzerverhalten zu lernen. Wir speichern das Modell und übergeben es an Edge-Geräte, um Vorhersagen anzuwenden. ### 13. Sehr nützliche Plattform für maschinelles Lernen **Rating:** 4.5/5.0 stars **Reviewed by:** Verifizierter Benutzer in Höhere Bildung | Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** June 29, 2020 **Was gefällt Ihnen an scikit-learn am besten?** Es ist ein sehr starkes Werkzeug, das in der Datenwissenschaft, insbesondere im maschinellen Lernen, verwendet wird. Es ist ein Open-Source- und kostenloses Paket, das eine große Rolle im maschinellen Lernen spielt. Es hat die großartige Fähigkeit, dass wir es mit anderen Paketen wie Matplotlib, Numpy und Pandas integrieren können. Es spielt eine große Rolle in der Datenwissenschaft und bei Algorithmen des maschinellen Lernens. **Was gefällt Ihnen an scikit-learn nicht?** Es hat großartige Funktionen. Allerdings hat es einige Nachteile im Umgang mit kategorialen Attributen. Ansonsten ist es ein sehr starkes Paket. Ich sehe keine weiteren Nachteile bei der Verwendung dieses Pakets. **Empfehlungen für andere, die scikit-learn in Betracht ziehen:** Scikit-learn ist ein sehr nützliches und leistungsstarkes Paket in der Datenwissenschaft und im maschinellen Lernen. Es ist ein kostenloses Paket und kann mit anderen Softwarepaketen integriert werden. Ich empfehle dieses Paket jedem, der im Bereich der Datenwissenschaft arbeitet. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Ich führe in meiner Forschung einige Modelltests mit maschinellem Lernen durch. Daher ist scikit-learn sehr nützlich und ich mag dieses Paket sehr. Da es Open Source ist und sich in viele andere Plattformen integrieren lässt, ist es einzigartig und schön. Ich benutze dieses Paket jeden Tag. ### 14. Super nützlich für maschinelles Lernen **Rating:** 5.0/5.0 stars **Reviewed by:** Verifizierter Benutzer in Informationstechnologie und Dienstleistungen | Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** January 11, 2018 **Was gefällt Ihnen an scikit-learn am besten?** Erstaunlich nützliches Werkzeugset für maschinelles Lernen und Datenwissenschaftsarbeit. Ich persönlich benutze es in Python und es ist wirklich hilfreich. Einige beliebte Pakete wie Pandas, Numpy und Matplotlib fügen ihm noch mehr Wert hinzu. Ich verwende es immer neben neuronalen Netzwerken und erziele Lösungen als Kombination, und die Lösung, die das beste Ergebnis liefert, kommt oft davon, indem man an verschiedenen Punkten arbeitet. **Was gefällt Ihnen an scikit-learn nicht?** Nein, mir fällt nichts ein, was ich nicht mag, und ich habe es seit ein paar Jahren in Machine-Learning-Wettbewerben und -Projekten verwendet. Sie aktualisieren scikit-learn auch ziemlich oft, um bekannte Probleme zu beheben und Verbesserungen vorzunehmen. **Empfehlungen für andere, die scikit-learn in Betracht ziehen:** Ich empfehle dringend das offizielle Tutorial, das für Anfänger sehr nützlich ist, um zu beginnen; die enthaltenen Beispielcodes und die Einführung in das maschinelle Lernen sind ebenfalls lesenswert. Versuchen Sie, ein paar Beispiele in Bezug auf verschiedene maschinelle Lernszenarien zu folgen, das ist sehr hilfreich, um ein allgemeines Gefühl dafür zu bekommen, wie maschinelles Lernen für verschiedene Zwecke funktioniert. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Hat mir geholfen, durch Kaggle-Wettbewerbe, Praktika sowie einen Vollzeitjob zu kommen. Es dient klassischen Regressions-, Klassifikations-, Zeitreihenprognosen und anderen Arten von maschinellen Lernproblemen. Ich schätze, dass das gesamte End-to-End-Maschinenlernprojekt-Pipeline innerhalb von scikit-learn erreicht werden kann. Beginnend mit der Datenvorverarbeitung und Datenbereinigung kann man mit Hilfe nützlicher eingebauter Funktionen wie dem Train-Test-Split leicht in den Modellierungsteil einsteigen. Auch das Hyperparameter-Tuning ist darin bequem. ### 15. Für fast alle Anforderungen des maschinellen Lernens gedacht **Rating:** 5.0/5.0 stars **Reviewed by:** Verifizierter Benutzer in Computersoftware | Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** January 29, 2020 **Was gefällt Ihnen an scikit-learn am besten?** Ich mag die Tatsache, dass es eine Vielzahl von Funktionalitäten umfasst und fast alle für überwachte und unüberwachte Lernverfahren bestimmten Machine-Learning-Algorithmen integriert. Es kann verwendet werden, um verschiedene Regressions-, Klassifikations- und Clustering-Algorithmen zu entwickeln. Es nutzt eine Reihe von Machine-Learning-, Vorverarbeitungs-, Kreuzvalidierungs- und Visualisierungsalgorithmen. Es bietet drei Regressionsmetriken, nämlich den mittleren absoluten Fehler, den mittleren quadratischen Fehler und den R²-Wert. Es bietet auch drei Klassifikationsmetriken, nämlich den Genauigkeitswert, den Klassifikationsbericht und die Konfusionsmatrix. Zusätzlich bietet es drei Clustering-Metriken, nämlich den angepassten Rand-Index, die Homogenität und das V-Maß. **Was gefällt Ihnen an scikit-learn nicht?** Abgesehen von der mangelnden Skalierbarkeit gibt es auch die Tatsache, dass scikit-learn absolut nichts zur Unterstützung der Bereitstellung des Modells in der Produktion beiträgt. **Empfehlungen für andere, die scikit-learn in Betracht ziehen:** Alle Funktionen und Anwendungen von Scikit-learn sind sehr gut dokumentiert, sodass Sie, wenn Sie jemals bei der Verwendung eines Parameters oder Funktionsaufrufs stecken bleiben, einfach in der Dokumentation suchen können und Ihren Weg finden werden. Es ist eine gute Bibliothek für alle grundlegenden maschinellen Lernprobleme, sei es für Klassifikation, einfache prädiktive Analysen oder sogar Datenexploration, zusammen mit Clustering und natürlich auch Labeling. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Ich habe scikit-learn für alle Machine-Learning-Probleme verwendet, sei es für Klassifikation, Labeling oder Clustering. Es bietet Funktionen zur Modelloptimierung mittels Grid Search und zufälliger Parameteroptimierung. Es wird für Klassifikation, prädiktive Analysen und viele andere Machine-Learning-Aufgaben verwendet. ### 16. Das beste Werkzeug für maschinelles Lernen **Rating:** 4.5/5.0 stars **Reviewed by:** Meliksah T. | Engineer, Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** August 17, 2019 **Was gefällt Ihnen an scikit-learn am besten?** - Es enthält viele maschinelle Lernalgorithmen wie: Random Forest, Entscheidungsbaum, Support Vector Machines, Lineare Diskriminanzanalyse, Quadratische Diskriminanzanalyse, Logistische Regression, Mehrschichtiger Perzeptron (neuronale Netze), Naive Bayes, andere Boosting-Algorithmen, KNN, K-Means (und andere Clustering-Algorithmen) - Es enthält Vorverarbeitungstools (Normalisierung, Standardisierung) - Es enthält Hyperparameter-Tuning-Tools (RandomSearchCV, GridSearchCV) - Es enthält viele Arten von Metriken, um das Modell zu optimieren (Genauigkeit, Rückruf, Präzision, F1-Score, etc.) und zusammenfassend ist es möglich, eine End-to-End-Maschinenlern-Anwendung zu entwickeln und zu erstellen. Ganz zu schweigen davon, dass all diese oben genannten zusammen mit Scikit-Learn als Ganzes mit anderen Python-Bibliotheken wie Pandas, Numpy, Mlxtend, Matplotlib kompatibel sind. **Was gefällt Ihnen an scikit-learn nicht?** - Es sollte neuere hochmoderne Algorithmen wie XGBoost, Catboost, LightGBM enthalten. - Es sollte die GPU unterstützen, da sonst die Abstimmung der Hyperparameter zu viel Zeit in Anspruch nimmt. **Empfehlungen für andere, die scikit-learn in Betracht ziehen:** Dokumentationen sind großartig. Sie geben Ihnen ein gutes Verständnis der Bibliothek. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Ich löse maschinelle Lernprobleme mit scikit-learn. Insbesondere bereinige ich Daten, teste Basismodelle, probiere verschiedene Algorithmen aus, stimme sie ab und finalisiere das Modell. ### 17. Gut für maschinelles Lernen **Rating:** 5.0/5.0 stars **Reviewed by:** Verifizierter Benutzer in Höhere Bildung | Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** July 29, 2020 **Was gefällt Ihnen an scikit-learn am besten?** Verschiedene maschinelle Lernmodelle und leicht anpassbare Parameter. Auch einfach, Datenumwandlungen vor der Anpassung des Modells anzuwenden. **Was gefällt Ihnen an scikit-learn nicht?** Könnten Sie mehr Beispiele in die Dokumentation aufnehmen? **Empfehlungen für andere, die scikit-learn in Betracht ziehen:** Viele Funktionen zur Vorbereitung von Daten für maschinelle Lernmodelle **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Unterabtastung und Überabtastung ### 18. Maschinelles Lernen leicht gemacht mit Scikit-learn **Rating:** 5.0/5.0 stars **Reviewed by:** Stanley D. | Data Engineer, Computerhardware, Kleinunternehmen (50 oder weniger Mitarbeiter) **Reviewed Date:** June 27, 2019 **Was gefällt Ihnen an scikit-learn am besten?** 1. Ich liebe die Tatsache, dass ich eine Vielzahl von maschinellen Lernalgorithmen ausprobieren kann, ohne sie von Grund auf neu erstellen zu müssen. Ich rufe sie einfach mit bereits verfügbaren Funktionen auf. 2. Scikit-learn bietet den Benutzern eine Funktion, um ein gegebenes Datenset in Trainings- und Validierungsdaten zu teilen, indem man nur ein Teilungsverhältnis angibt. 3. Scikit-learn integriert sich problemlos mit anderen Deep-Learning-Frameworks. **Was gefällt Ihnen an scikit-learn nicht?** Ich habe im Moment keinen Grund, scikit-learn zu hassen, da es mir geholfen hat, viel im Bereich des maschinellen Lernens zu erreichen. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Mein allererster Hackathon, ich versuchte, ein lineares Regressionsmodell von Grund auf zu erstellen, bis mir jemand von scikit-learn erzählte. Damit konnte ich mehrere verfügbare maschinelle Lernalgorithmen ausprobieren. ### 19. Die beste Python-Maschinenlern-Bibliothek **Rating:** 5.0/5.0 stars **Reviewed by:** Verifizierter Benutzer in Computersoftware | Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** July 03, 2019 **Was gefällt Ihnen an scikit-learn am besten?** Scikit Learn ist einfach wunderbar. Es abstrahiert alle Komplexitäten mehrerer maschineller Lern-Frameworks. Scikit Learn bietet wunderschöne Einzeilen-Funktionsaufrufe für wirklich komplexe Funktionen und die Dokumentation ist wunderschön. Ein kompletter Neuling kann ihre Dokumentation durchgehen und verstehen, da sie menschenlesbar ist. Zusätzlich zu den besten maschinellen Lernmodellen, die von Random Forest, Entscheidungsbäumen bis hin zu linearer Regression reichen, bieten sie auch Bibliotheken für die Datenvorverarbeitung. Sie können Datenvorverarbeitung, One-Hot-Encoding und viele andere Dinge mit Scikit Learn durchführen. **Was gefällt Ihnen an scikit-learn nicht?** Scikit-Learn-Modelle benötigen lange, um trainiert zu werden, und sie erfordern, dass Ihre Daten in einem bestimmten Format vorliegen. Dies kann wirklich stressig sein, besonders wenn die Fehlermeldungen nicht viel Einblick in das Problem geben. **Empfehlungen für andere, die scikit-learn in Betracht ziehen:** Scikit-learn ist eine wunderbare Bibliothek für die schnelle Entwicklung von maschinellem Lernen und sogar für den Aufbau von produktionsreifen Systemen. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Ich mache mein allgemeines maschinelles Lernen mit Sci-Kit Learn. Es hat mir ermöglicht, produktiver zu werden und mich mehr darauf zu konzentrieren, einfach Lösungen zu entwickeln, da ich nur oberflächlich verstehen muss, wie ein Modell funktioniert, und es verwenden kann, ohne auf die mathematischen Details einzugehen. ### 20. Plug-and-Play-Maschinenlernmodelle **Rating:** 4.0/5.0 stars **Reviewed by:** Vikas P. | Associate System Engineer , Kleinunternehmen (50 oder weniger Mitarbeiter) **Reviewed Date:** May 28, 2019 **Was gefällt Ihnen an scikit-learn am besten?** Ich mag diese Bibliothek, weil es sehr einfach ist, die Bibliothek zu importieren und die Machine-Learning-Modelle zu verwenden. Sie haben viele Machine-Learning-Modelle wie Random Forest, XGBoost und viele mehr. Man muss nicht von Grund auf neu programmieren. Sie bieten auch viele Parameter, um die Modelle anzupassen, was hilfreich ist. **Was gefällt Ihnen an scikit-learn nicht?** Es ist eine Art Plug-and-Play, aber die Anpassung ist für die maschinellen Lernmodelle etwas schwierig. Außerdem ist es im Vergleich zu TensorFlow langsam. **Empfehlungen für andere, die scikit-learn in Betracht ziehen:** Wenn Sie nur ein maschinelles Lernmodell benötigen und keine weiteren Spezifikationen oder Anpassungen wünschen, können Sie scikit-learn verwenden. Es ist einfach zu bedienen und zu implementieren. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Für allgemeine maschinelle Lernmodelle, bei denen ich Modelle benötige und das Modell nicht anpassen möchte, verwende ich die vorgefertigten Modelle von scikit-learn. ### 21. scikit-learn Bewertung **Rating:** 5.0/5.0 stars **Reviewed by:** Verifizierter Benutzer in Forschung | Kleinunternehmen (50 oder weniger Mitarbeiter) **Reviewed Date:** November 01, 2019 **Was gefällt Ihnen an scikit-learn am besten?** Der beste Teil von scikit-learn ist, dass es eine Vielzahl von Regressions-, Klassifikations- und Clustering-Algorithmen bietet. Die Seite von scikit-learn ermöglicht es, zu sehen, welche Hyperparameter für meine Daten verwendet werden sollen und welche Werte ich angeben sollte. **Was gefällt Ihnen an scikit-learn nicht?** Nichts im Moment, aber ich denke, es könnte bei großen Datensätzen schneller sein. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Ich habe scikit-learn verwendet, um an meinen Kursprojekten zu arbeiten und zu lernen, wie die Algorithmen funktionieren, und sie zu vergleichen, um zu sehen, welcher der beste ist. ### 22. Benutzer von Python/sklearn **Rating:** 5.0/5.0 stars **Reviewed by:** Verifizierter Benutzer in Computersoftware | Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** December 10, 2019 **Was gefällt Ihnen an scikit-learn am besten?** Die sklearn-Dokumentation ist äußerst gut, und eine große Anzahl von maschinellen Lernanalysen kann mit dieser Bibliothek durchgeführt werden. **Was gefällt Ihnen an scikit-learn nicht?** Die Anzahl der verschiedenen Hyperparameter, die festgelegt werden müssen, ist enorm. **Empfehlungen für andere, die scikit-learn in Betracht ziehen:** Das Handbuch ist wirklich hilfreich. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Klassifikations-, Regressions- und Clustering-Probleme. ### 23. Scikit-Learn Eine unverzichtbare Bibliothek für maschinelles Lernen **Rating:** 5.0/5.0 stars **Reviewed by:** Jezz B. | Machine Learning Engineer, Internet, Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** November 06, 2018 **Was gefällt Ihnen an scikit-learn am besten?** Das Beste an scikit-learn ist, dass es die Implementierung und Nutzung von Machine-Learning-Algorithmen zu einem viel einfacheren Spiel macht. Ich benutze scikit-learn seit Beginn meiner Karriere und sogar während meiner Studienzeit habe ich scikit-learn verwendet. Es hat sich seitdem verbessert und auch die Algorithmen aktualisiert. Die Verwendung von scikit-learn wird wirklich Ihre Aufgaben bei der Implementierung von ML-Aufgaben für Ihren Dienst beschleunigen. **Was gefällt Ihnen an scikit-learn nicht?** Nichts an scikit-learn auszusetzen. Ich würde sagen, es ist wirklich eine gute Bibliothek. **Empfehlungen für andere, die scikit-learn in Betracht ziehen:** Ich würde sagen, dass scikit-learn wirklich lohnenswert ist. Scikit-learn zu verwenden ist sehr einfach und selbst ein neuer Benutzer würde sich leicht daran anpassen. Diese Funktionalitäten sind schwer anderswo zu finden, und das auch noch als Open Source. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Ich benutze scikit-learn seit 5 Jahren und habe es in einem solchen Ausmaß verwendet, dass ich manchmal auch Git-Push-Updates für die Bibliothek bereitstelle, wenn ich es für nötig halte. Ich habe es verwendet, um alle maschinellen Lernaufgaben zu implementieren, wie das Trainieren des Algorithmus, die Entwicklung des Algorithmus sowie die Vorverarbeitung und das Berechnen von Genauigkeiten und deren Darstellung. Es ist eine wirklich anspruchsvolle Bibliothek, die man zu seinem Vorteil nutzen kann. ### 24. Gute Erfahrung **Rating:** 5.0/5.0 stars **Reviewed by:** Verifizierter Benutzer in Informationstechnologie und Dienstleistungen | Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** October 02, 2019 **Was gefällt Ihnen an scikit-learn am besten?** Es ist eine Lösung für Aufgaben im Bereich des maschinellen Lernens. Sie haben auch Optimierungstechniken (verwenden Sie gridsearchcv oder randomsearchcv). Es gibt auch ein Spickzettel oder einen Pfad, der beschreibt, welchen Algorithmus ein Benutzer verwenden sollte. **Was gefällt Ihnen an scikit-learn nicht?** Es gibt keine Implementierung des Catbooster-Klassifikators, des LightGBM-Klassifikators und vieler anderer. **Empfehlungen für andere, die scikit-learn in Betracht ziehen:** Sehr hilfreich **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Es ist einfach zu verwenden, da es über vordefinierte Genauigkeit, Bewertung, Kreuzvalidierung und Optimierungstechniken verfügt. ### 25. Maschinelles Lernen und Deep-Learning-API für Python **Rating:** 5.0/5.0 stars **Reviewed by:** Julia P. | Machine Learning Engineer, Informationstechnologie und Dienstleistungen, Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** October 19, 2018 **Was gefällt Ihnen an scikit-learn am besten?** Das Beste, was mir an scikit-learn gefällt, ist die Einfachheit, einen Machine-Learning-Algorithmus für jedes Modell zu erstellen und auszuführen. Wenn Sie ein KNN für Ihre Gesichtserkennung benötigen, rufen Sie einfach den KNN-Klassifikator mit den richtigen Hyperparametern auf und verwenden Sie ihn in Ihrem Gesichtserkennungsmodell mit sehr wenigen Codezeilen und großer Einfachheit. Wenn Sie ein lineares Regressionsmodell verwenden möchten, rufen Sie einfach sein Objekt auf, lassen Sie Ihre eigenen Daten darauf trainieren und sagen Sie bei Bedarf voraus. Es ist sehr einfach zu verwenden, und das macht es am interessantesten. Abgesehen davon kommt es mit vielen benutzerdefinierten Datensätzen, die direkt importiert und verwendet werden können. **Was gefällt Ihnen an scikit-learn nicht?** Nein, bisher nichts gefunden, was an dieser großartigen Bibliothek nicht gefällt. **Empfehlungen für andere, die scikit-learn in Betracht ziehen:** Ja, es gibt mehrere Gründe, scikit-learn für jedes maschinelle Lernprojekt oder -produkt in Betracht zu ziehen. Wenn man an einem solchen Projekt arbeitet, ist es wirklich chaotisch, alles von Grund auf neu zu erstellen. Stattdessen kann man das Projekt entsprechend den Anforderungen mit einfachen Bausteinen wie Funktionen aufbauen und alle zusammen integrieren und in der Anwendung verwenden. Daher ist es empfehlenswert, scikit-learn jedem Maschinenbauingenieur zu empfehlen. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Ich verwende scikit-learn zur Entwicklung von maschinellen Lernmodellen und setze sie in Live-Anwendungen ein. Kürzlich habe ich es verwendet, um einen Gesichtserkennungs-Klassifikator zu erstellen, der die Gesichter in Echtzeit klassifizierte. Ich habe den KNN-Klassifikator dafür verwendet und durch das Abstimmen der Hyperparameter gute Ergebnisse erzielt. Es hat mir wirklich viel Zeit gespart, es von Grund auf neu zu implementieren. ### 26. Unglaublich einfach, schnell und leistungsstark **Rating:** 4.0/5.0 stars **Reviewed by:** Verifizierter Benutzer in Computersoftware | Kleinunternehmen (50 oder weniger Mitarbeiter) **Reviewed Date:** July 17, 2019 **Was gefällt Ihnen an scikit-learn am besten?** Scikit-learn ist äußerst skalierbar und besonders gut für Anfänger geeignet. Meine Haupt-Erfahrung war die Nutzung ihres Support-Vektor-Klassifikators, der ideal für unser Projekt ist, um Ultraschallbilder auf Handbewegungen abzubilden. **Was gefällt Ihnen an scikit-learn nicht?** Die Dokumentation könnte etwas besser sein, aber abgesehen davon ist es unglaublich zuverlässig und konsistent. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Amputierten Musikern ermöglichen, mit robotischen Händen Musik zu spielen, indem Ultraschallbilder und Support-Vektor-Maschinen verwendet werden. ### 27. Scikit-learn Bewertung **Rating:** 5.0/5.0 stars **Reviewed by:** Verifizierter Benutzer in Bildungsmanagement | Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** April 30, 2019 **Was gefällt Ihnen an scikit-learn am besten?** Scikit-learn kann für fast alle Aufgaben des maschinellen Lernens verwendet werden, da es Werkzeuge für die meisten Standardaufgaben des maschinellen Lernens wie Klassifikation, Clustering, Regression und Dimensionsreduktion enthält. **Was gefällt Ihnen an scikit-learn nicht?** R ist stärker auf Statistik ausgerichtet als scikit-learn. Zum Beispiel bietet R mehr Details zur Regression als scikit-learn. **Empfehlungen für andere, die scikit-learn in Betracht ziehen:** Scikit-learn ist großartig für Anfänger und kann auch für akademische Projekte verwendet werden. Das Modell ist einfach zu bedienen und ermöglicht es, mehrere Prozesse für komplexe Probleme durchzuführen. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Scikit-learn wird verwendet, um das Verbraucherverhalten für eine Anwendung vorherzusagen, die den Nutzern Produkte vorschlägt. Es ist effizienter und genauer als andere Alternativen. ### 28. Die API mit allem, was maschinelles Lernen betrifft **Rating:** 4.5/5.0 stars **Reviewed by:** Verifizierter Benutzer in Computersoftware | Kleinunternehmen (50 oder weniger Mitarbeiter) **Reviewed Date:** June 30, 2019 **Was gefällt Ihnen an scikit-learn am besten?** Ich liebe die Tatsache, dass fast jeder maschinelle Lernalgorithmus im Framework einfach gemacht wird, es ist sehr einfach zu bedienen. Es hat so viele Funktionen. **Was gefällt Ihnen an scikit-learn nicht?** Es gibt keine Deep-Learning-Version, es ist hauptsächlich für maschinelles Lernen gedacht, d. h. es ist nicht robust. **Empfehlungen für andere, die scikit-learn in Betracht ziehen:** Ich empfehle Sirags Video für Leute, die bereit sind, Scikit-Learn für maschinelles Lernen zu verwenden. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Wir verwenden Scikit-Learn, um an meinem Arbeitsplatz Machine-Learning-Modelle zu erstellen. ### 29. Großartiges maschinelles Lernwerkzeug **Rating:** 4.5/5.0 stars **Reviewed by:** Christian M. N. | Software Developer, Kleinunternehmen (50 oder weniger Mitarbeiter) **Reviewed Date:** May 12, 2019 **Was gefällt Ihnen an scikit-learn am besten?** scikit-learn bietet eine saubere und konsistente Schnittstelle zu einer Vielzahl von verschiedenen Modellen. **Was gefällt Ihnen an scikit-learn nicht?** Scikit Learn kann schwer zu erlernen sein, wenn man keine Vorkenntnisse in Python hat. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Scikit-learn ermöglicht es uns, maschinelle Lernmodelle zu erstellen, die zur Vorhersage, Klassifizierung und mehr verwendet werden können. ### 30. Scikit lernen - was für eine Schönheit! **Rating:** 5.0/5.0 stars **Reviewed by:** Verifizierter Benutzer in Einzelhandel | Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** April 30, 2019 **Was gefällt Ihnen an scikit-learn am besten?** Was gibt es nicht zu mögen, es gibt Ihnen die Möglichkeit, maschinelle Lernmodelle zu trainieren, ohne sich darum zu kümmern, wie sie im Hintergrund funktionieren. Es kann manchmal beängstigend sein zu wissen, wie ML-Algorithmen theoretisch funktionieren, und es wird noch beängstigender, wenn man sie in funktionierenden Code umsetzen muss. Aber mit Scikit-Learn müssen Sie sich keine Sorgen über die zugrunde liegende Implementierung machen und können einfach mit dem maschinellen Lernen beginnen. **Was gefällt Ihnen an scikit-learn nicht?** Konnte bisher nichts finden, was mir nicht gefällt 😊 **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Wir nutzen die Scikit-Learn-Bibliothek zusammen mit anderen Bibliotheken, um NLP-Probleme anzugehen. ### 31. Maschinelles Lern-Toolkit für Python **Rating:** 5.0/5.0 stars **Reviewed by:** Vishwas R. | Machine Learning Engineer, Computersoftware, Kleinunternehmen (50 oder weniger Mitarbeiter) **Reviewed Date:** July 07, 2018 **Was gefällt Ihnen an scikit-learn am besten?** Scikit-learn ist im Grunde die Bibliothek für Python, die alle maschinellen Lernalgorithmen enthält, die perfekt codiert sind, um die Arbeit zu erleichtern. Sie hilft uns, den Anwendungsteil anstelle des Implementierungsteils zu betrachten und reduziert auch unsere Zeit, indem sie die Notwendigkeit eliminiert, den Algorithmus von Grund auf zu codieren. Es ist eine berühmte und weit verbreitete Bibliothek und wird auch von vielen Open-Source-Entwicklern unterstützt, was ihre Algorithmen viel besser macht als andere. Außerdem hat sie eine große Vielfalt an Datensätzen, die auch zum Testen verwendet werden können, wie z.B. der Iris-Datensatz, was während der Entwicklung und beim Testen des Codes sehr hilfreich ist. **Was gefällt Ihnen an scikit-learn nicht?** Ich liebe diese Bibliothek tatsächlich und habe fast meine gesamte Arbeitszeit damit verbracht, sie zu nutzen, und habe nichts daran auszusetzen. **Empfehlungen für andere, die scikit-learn in Betracht ziehen:** Ich empfehle die Verwendung von scikit learn an alle Maschinenlern-Ingenieure oder andere Personen in diesem Bereich, um eine Vielzahl von Algorithmen direkt in einer einzigen Codezeile zu implementieren. Angenommen, Sie müssen einen SVM für Ihre Regression programmieren, dann kann das Programmieren von Grund auf Zeit in Anspruch nehmen, aber wenn Sie scikit learn verwenden, können Sie einfach das SVM-Objekt aufrufen und es verwenden, um Ihre Daten zu trainieren und Ergebnisse vorherzusagen oder das Modell entsprechend zu verwenden. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Ich bin ein Machine-Learning-Ingenieur bei Innovatee IT Solutions, das Machine-Learning-Lösungen für alle Industriesektoren bereitstellt. Ich entwickle verschiedene Anwendungen, in denen wir ML-Algorithmen direkt oder indirekt verwenden, und für diese Implementierung nutze ich Scikit-Learn. Es erleichtert meine Arbeit und hilft mir, Anwendungen zu entwickeln, die den Anforderungen unserer Kunden entsprechen. ### 32. Bestes Modul für Klassifikation, Clustering, Sentiment-Analyse, Diagrammerstellung usw. **Rating:** 5.0/5.0 stars **Reviewed by:** Verifizierter Benutzer in Computersoftware | Kleinunternehmen (50 oder weniger Mitarbeiter) **Reviewed Date:** May 09, 2019 **Was gefällt Ihnen an scikit-learn am besten?** Die Dokumentation ist der beste Teil dieses Moduls. Die Benutzerfreundlichkeit, die vielfältigen Funktionen und die einfache Einbindung mehrerer Parameter gleichzeitig lassen mich sci-kit learn immer wieder verwenden. **Was gefällt Ihnen an scikit-learn nicht?** Es gibt buchstäblich keinen Nachteil bei diesem Modul. Ich würde sagen, eine aktive Gemeinschaft darüber zu haben, wäre hilfreicher. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Sentimentanalyse, Klassifizierung, Clustering, verschiedene Lernkurven darstellen ### 33. Beste Machine-Learning-Bibliothek für Python **Rating:** 5.0/5.0 stars **Reviewed by:** Sunil C. | Software Developer, Informationstechnologie und Dienstleistungen, Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** June 04, 2018 **Was gefällt Ihnen an scikit-learn am besten?** Scikit-learn ist die begehrteste Bibliothek für Python für jeden Machine-Learning-Ingenieur für ein Machine-Learning-Projekt. Wenn Sie Erfahrung in ML haben und wenig Wissen über dessen Implementierung haben, können Sie dies verwenden, da Sie hier jeden Klassifikator oder Regressionsmodell einfach durch Aufrufen seines Objekts erstellen können. Dieses Objekt kann mit Ihrem Trainingssatz trainiert werden und dieses fertig trainierte Modell kann verwendet werden, um die weiteren Ergebnisse vorherzusagen. Der andere Vorteil ist, dass, wenn Sie die Parameter des bestimmten Algorithmus ändern möchten, dies auch durch Aufrufen des Objekts und Übergeben der notwendigen Werte geändert werden kann. Es hat auch eine sehr klare Dokumentation, die sehr leicht zu verstehen ist. **Was gefällt Ihnen an scikit-learn nicht?** Ich habe nicht viel an scikit-learn auszusetzen. **Empfehlungen für andere, die scikit-learn in Betracht ziehen:** Ich würde die Verwendung von scikit-learn empfehlen, wenn Sie maschinelle Lernmodelle für Ihr Unternehmen einfach implementieren möchten, und diese Modelle sind algorithmisch fundiert, da es die Bibliothek ist, die von vielen großen Errungenschaften in diesem Bereich verwendet wird, sodass sie auch zu dieser Bibliothek beigetragen haben, da sie Open Source ist. Wenn Sie in Ihrem Projekt in Python etwas ML-bezogenes implementieren, dann verwenden Sie scikit-learn. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** In meinem Unternehmen, wo immer das Wort maschinelles Lernen erwähnt wird, wird dort scikit-learn verwendet, um ML-Modelle zu implementieren. Ich habe auch scikit-learn verwendet, um verschiedene Börsenergebnisse für unser Beratungsunternehmen vorherzusagen und habe scikit-learn auch verwendet, um ML-bezogene Modelle in jede Software zu implementieren, die unser Kunde benötigt, sodass scikit-learn ein integraler Bestandteil von mir ist, was maschinelles Lernen betrifft. ### 34. Maschinelles Lernen API für Python **Rating:** 5.0/5.0 stars **Reviewed by:** Paresh A. | Software Engineer, Informationstechnologie und Dienstleistungen, Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** June 07, 2018 **Was gefällt Ihnen an scikit-learn am besten?** Es handelt sich um eine API oder eine Bibliothek für Python zur Implementierung von maschinellen Lernalgorithmen, indem die Klassifikatoren direkt deklariert und die Daten darauf trainiert werden. Auf diese Weise kann ein Modell generiert werden, das dann zur Vorhersage von Werten verwendet wird. Scikit-learn ist eine Open-Source-Bibliothek, zu der viele Entwickler beigetragen haben, weshalb sie die besten implementierten Algorithmen enthält. Fast alle Algorithmen können mit einer einzigen Codezeile einfach verwendet werden, und auch die Parameter können entsprechend Ihren Anforderungen angepasst werden, daher ist es die beste Bibliothek. **Was gefällt Ihnen an scikit-learn nicht?** Ich habe nichts an dieser erstaunlichen scikit-learn-Bibliothek auszusetzen. **Empfehlungen für andere, die scikit-learn in Betracht ziehen:** Ich empfehle scikit learn allen Softwareentwicklern und auch Machine-Learning-Entwicklern, die gerne Machine-Learning-Algorithmen implementieren möchten, ohne den gesamten Algorithmus mühsam zu programmieren, sondern sie stattdessen mit einer einzigen Codezeile mit scikit learn zu implementieren. Ich empfehle scikit learn auch, weil man die Parameter bestimmter Algorithmen wie die Lernrate entsprechend den eigenen Anforderungen ändern kann, daher empfehle ich es für Machine Learning. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Ich bin Softwareentwickler und implementiere maschinelle Lernalgorithmen für verschiedene Unternehmen und Projekte, die unsere Kunden uns geben. Und wenn es um maschinelles Lernen geht, bevorzuge ich Scikit-Learn, weil es die beste Bibliothek mit fast allen Klassifikatoren ist und auch über einen riesigen Datensatz verfügt, der damit verfügbar ist, sodass es einfach wird, gängige Modelle nur mit diesen Datensätzen zu entwickeln, daher ist es eine großartige Bibliothek für uns. ### 35. Klassische ML-Bibliothek **Rating:** 5.0/5.0 stars **Reviewed by:** Yash R. | Software Engineer, Computersoftware, Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** February 07, 2018 **Was gefällt Ihnen an scikit-learn am besten?** Scikit-learn ist die in Python implementierte Machine-Learning-Bibliothek. Sie besteht aus allen Machine-Learning-Algorithmen wie lineare Regression, logistische Regression und vielen weiteren vorimplementierten Clustering-Algorithmen. Sie können solche Algorithmen auf Ihrem Datensatz mit nur einer einzigen Codezeile verwenden. Sie können das Modell auf Ihrem Datensatz trainieren und dieses Modell verwenden, um weitere Werte vorherzusagen. Sie können auch Ihr trainiertes Modell speichern und die Parameter des Algorithmus ändern, um den Algorithmus entsprechend Ihrer Nutzung anzupassen. **Was gefällt Ihnen an scikit-learn nicht?** Es ist die klassische ML-Bibliothek für Python und es gibt nichts daran auszusetzen. **Empfehlungen für andere, die scikit-learn in Betracht ziehen:** Ich empfehle die Verwendung von scikit-learn, um ML-Algorithmen in Ihrer Software mit Python zu implementieren, da es eine Vielzahl von Algorithmen enthält und Sie die Parameter ihrer Algorithmen entsprechend Ihren Anforderungen anpassen können. Es ist bei weitem die beste ML-Bibliothek für Python und daher die am meisten empfohlene Bibliothek zur Implementierung von ML-Algorithmen. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Ich verwende die Sci-Kit-Learn-Bibliothek, um verschiedene Klassifikations- und Regressionsalgorithmen des maschinellen Lernens in Python zu implementieren, um diese trainierten Modelle weiter in die vom Kunden benötigte Software zu integrieren. Es ist so einfach zu verwenden, dass sogar eine Person mit Anfängerkenntnissen in ML die Algorithmen mühelos implementieren kann. ### 36. Maschinelles Lernen Implementierung Python Bibliothek **Rating:** 5.0/5.0 stars **Reviewed by:** Rahul C. | Software Engineer, Informationstechnologie und Dienstleistungen, Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** February 06, 2018 **Was gefällt Ihnen an scikit-learn am besten?** Es ist die Python-Bibliothek zur Implementierung von maschinellen Lernalgorithmen. Sie hat verschiedene vorimplementierte Algorithmen des maschinellen Lernens, die Sie mit nur einer einzigen Codezeile verwenden können. Alle Klassifikatoren des maschinellen Lernens sind an Ihre Anforderungen anpassbar. Sie können Ihr Modell trainieren und für die zukünftige Verwendung speichern und Ergebnisse mit großer Leichtigkeit vorhersagen. Es ist die beste ML-Bibliothek für Python, die Sie je haben können. **Was gefällt Ihnen an scikit-learn nicht?** Nichts auszusetzen an der außergewöhnlichen Machine-Learning-Bibliothek. **Empfehlungen für andere, die scikit-learn in Betracht ziehen:** Es ist die am besten empfohlene Machine-Learning-Bibliothek für Python. Es ist sehr einfach, ML-Klassifikatoren auf Daten jeder Größe zu implementieren. Außerdem können Sie die Daten mit Scikit-Learn skalieren, daher ist es die beste ML-Bibliothek für Python. Es ist definitiv die beste Bibliothek für ML. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Ich benutze Scikit-Learn für die Implementierung von maschinellem Lernen in unseren Softwarelösungen entsprechend den Anforderungen und Daten unserer Kunden. Es ist sehr nützlich im Bereich der Datenwissenschaft, um verschiedene ML-Klassifikatoren auf unsere Daten anzuwenden und sie entsprechend unserer Nutzung zu verwenden. Es hat die Arbeit der Implementierung von ML-Algorithmen sehr erleichtert. ### 37. Maschinelles Lernen Bibliothek Für Nachwuchsentwickler **Rating:** 5.0/5.0 stars **Reviewed by:** Narendra N. | Senior Software Engineer, Informationstechnologie und Dienstleistungen, Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** January 23, 2018 **Was gefällt Ihnen an scikit-learn am besten?** Scikit learn ist eine Machine-Learning-Bibliothek für Python. Sie können problemlos Machine-Learning-Modelle entwickeln und generieren und das Modell mit nur einer einzigen Codezeile trainieren. Es ist so einfach, einen Machine-Learning-Algorithmus zu implementieren, dass selbst unerfahrene Entwickler problemlos verschiedene Machine-Learning-Modelle implementieren können. Es kann auch verwendet werden, um die Variablen der Modelle zu ändern und ein Modell entsprechend Ihrer Nutzung zu erstellen. **Was gefällt Ihnen an scikit-learn nicht?** Es ist die beste ML-Bibliothek, die für Python verfügbar ist, also keine Probleme mit scikit learn. **Empfehlungen für andere, die scikit-learn in Betracht ziehen:** Ich empfehle die Verwendung von scikit-learn, um die ML-Modelle einfach und ohne großen Aufwand zu implementieren, und Sie können das Modell auch nach Ihren Anforderungen anpassen und das trainierte Modell speichern. So etwas werden Sie in keiner anderen Bibliothek finden. Wenn Sie Python für die ML-Implementierung verwenden, ist scikit-learn das beste Framework, das Sie haben können. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Ich verwende scikit-learn, um maschinelle Lernmodelle für meine Websites und auch für die Software, die mein Unternehmen entwickelt, zu implementieren und zu trainieren. Ich verwende scikit-learn und passe das ML-Modell entsprechend den Projektspezifikationen an und entwickle dann ein perfekt trainiertes und abgestimmtes Modell für die Software. ### 38. Tolles Werkzeug für einfaches maschinelles Lernen **Rating:** 3.5/5.0 stars **Reviewed by:** Verifizierter Benutzer in Bildungsmanagement | Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** February 12, 2019 **Was gefällt Ihnen an scikit-learn am besten?** Bietet eine große Auswahl an traditionellen Machine-Learning-Algorithmen. **Was gefällt Ihnen an scikit-learn nicht?** Nicht ganz bequem zu verwenden, während man an einem tiefen neuronalen Netzwerk arbeitet. **Empfehlungen für andere, die scikit-learn in Betracht ziehen:** Stellen Sie das Deeplearning-Toolbox vor **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Random-Forest-Algorithmus, SVM, Online-Nachrichten-Popularität ### 39. beste verfügbare maschinelle Lernbibliothek. **Rating:** 5.0/5.0 stars **Reviewed by:** vivek s. | Software Developer, Computer- und Netzwerksicherheit, Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** February 13, 2018 **Was gefällt Ihnen an scikit-learn am besten?** Das Trainieren Ihrer Daten mit scikit-learn ist sehr einfach. Mit scikit-learn können Sie schnell Klassifikatoren entwickeln und Ihre Regressionsmodelle in sehr kurzer Zeit vorbereiten. Das Beste an scikit-learn ist, dass Sie Ihr Modell und Ihre trainierten Daten für die weitere Verwendung speichern können. **Was gefällt Ihnen an scikit-learn nicht?** scikit-learn ist eine sehr schöne ML-Bibliothek, es gibt nichts daran auszusetzen. **Empfehlungen für andere, die scikit-learn in Betracht ziehen:** scikit-learn ist eine außergewöhnlich robuste und vielseitige Machine-Learning-Bibliothek bis heute. Sie werden keinen Ersatz für diese Bibliothek finden. scikit-learn enthält alle vorimplementierten ML-Algorithmen, die sehr hilfreich sind. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** wir entwickeln Software basierend auf Sentiment-Analyse und Empfehlungssystem mit Hilfe von scikit-learn. es bietet uns die eingebauten Funktionen und hilft uns, die Software für die Kunden schnell zu entwickeln. ### 40. Eine großartige Bibliothek für maschinelles Lernen in Python. **Rating:** 5.0/5.0 stars **Reviewed by:** ishnat s. | Software Engineer, Informationsdienste, Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** February 09, 2018 **Was gefällt Ihnen an scikit-learn am besten?** Scikit learn ist eine großartige Bibliothek, die alle erforderlichen Module für maschinelles Lernen enthält. Sie ist auch die fortschrittlichste Bibliothek für maschinelles Lernen, die in Python verwendet wird, aufgrund ihrer umfangreichen Anwendungen und der großartigen Benutzeroberfläche sowie der Einbeziehung verschiedener Funktionen. Und sie kann auch auf verschiedenen Repository-Plattformen wie Github bereitgestellt werden. **Was gefällt Ihnen an scikit-learn nicht?** Das einzige, was mir an Scikit-Learn nicht gefällt, ist, dass es hohe Rechenleistung erfordert, weshalb es auf Maschinen mit einer geringen Anzahl von Kernen verwendet werden kann. **Empfehlungen für andere, die scikit-learn in Betracht ziehen:** ich würde diese Bibliothek für die umfangreiche Nutzung von Machine-Learning-Bibliotheken empfehlen. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Ich habe ein Empfehlungssystem mit Scikit-Learn entwickelt, das auf der Empfehlung von Filmen basiert. ### 41. Python ML-Bibliothek mit großartiger Dokumentation **Rating:** 5.0/5.0 stars **Reviewed by:** Nupur M. | Senior Software Engineer, Computersoftware, Kleinunternehmen (50 oder weniger Mitarbeiter) **Reviewed Date:** February 09, 2018 **Was gefällt Ihnen an scikit-learn am besten?** Das Beste, was ich sagen würde, ist, dass es Open Source ist. Auch die Dokumentation ist sehr gut, jeder Neuling kann mit dieser Dokumentation leicht lernen, scikit-learn zu verwenden. Zusammen mit der Dokumentation sind die Algorithmen, die sie bereitstellen, sehr effizient und schnell. Fast alle Machine-Learning-Algorithmen werden bereitgestellt, sodass es der einzige und auch der beste Ort für einen ML-Enthusiasten wird. **Was gefällt Ihnen an scikit-learn nicht?** Verwende scikit-learn für alle meine Machine-Learning-Aufgaben, also würde ich sagen, 'keine Abneigungen'. **Empfehlungen für andere, die scikit-learn in Betracht ziehen:** Sie bieten Tutorials auf ihrer Hauptwebsite: http://scikit-learn.org in jedem Abschnitt an. Sie waren mir persönlich eine große Hilfe. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Ich benutze es für alle meine Aufgaben im Bereich maschinelles Lernen und für jede Anwendung, die ich erstelle, bei der ML verwendet wird. ### 42. Am besten dokumentierte ML(Machine Learning)-Bibliothek **Rating:** 5.0/5.0 stars **Reviewed by:** Jash S. | Software Engineer, Computersoftware, Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** December 11, 2017 **Was gefällt Ihnen an scikit-learn am besten?** Scikit learn ist die Bibliothek für maschinelles Lernen, die so gut dokumentiert ist, dass auch ein unerfahrener Entwickler sie nutzen kann. Die in der Bibliothek implementierten Algorithmen sind die gängigen Algorithmen des maschinellen Lernens und sie können für nahezu jede Datenmenge skaliert werden. Man kann die Algorithmen des maschinellen Lernens in einem normalen Python-Programm verwenden und die Vorteile der Datenanalyse durch ML mit Scikit learn nutzen. **Was gefällt Ihnen an scikit-learn nicht?** Scikit learn hat keinen falschen Hinweis hinterlassen, dass man nicht einmal einen einzigen Beweis dafür finden kann, es nicht zu mögen. **Empfehlungen für andere, die scikit-learn in Betracht ziehen:** Ich empfehle scikit-learn als die beste Machine-Learning-Bibliothek für jeden Datensatz zur Implementierung verschiedener Machine-Learning-Algorithmen. Und es ist Open Source und verbessert sich von Tag zu Tag. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Wir verwenden scikit-learn zur Implementierung verschiedener ML-Algorithmen in Python. Mit diesen Algorithmen erhalten wir unsere Datenanalysen und Vorhersagen für den Aktienmarkt. Wir bieten auch verschiedene Lösungen durch ML-Algorithmen für unsere Kunden entsprechend unserer Nutzung an. Kürzlich haben wir ein Modell für ein Unternehmen zur Vorhersage von Aktienkursen für bestimmte seiner abhängigen Unternehmen entwickelt. ### 43. Beste Machine-Learning-Bibliothek **Rating:** 5.0/5.0 stars **Reviewed by:** Kartik B. | Senior Software Engineer, Computersoftware, Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** December 06, 2017 **Was gefällt Ihnen an scikit-learn am besten?** Die beste Machine-Learning-Bibliothek, die ich im Internet gefunden habe. Es ist die Bibliothek, die von Experten für Machine-Learning-Übungen verwendet wird. Mit scikit-learn kann man leicht seinen Klassifikator oder ein Regressionsmodell in einer einzigen Zeile entwickeln und dann einfach die Daten durch diesen Klassifikator trainieren, indem man Trainingsdaten übergibt, und man kann auch das trainierte Modell speichern und in Zukunft verwenden. Man kann auch die bekannten ML-Algorithmen anpassen und sie entsprechend den eigenen Anforderungen optimieren. **Was gefällt Ihnen an scikit-learn nicht?** Nichts auszusetzen an der besten Machine-Learning-Bibliothek. **Empfehlungen für andere, die scikit-learn in Betracht ziehen:** Scikit-Learn ist die beste und garantiert empfohlene Machine-Learning-Bibliothek für alle Machine-Learning-Entwickler in der Gesellschaft, da Sie keine andere Bibliothek finden werden, die Ihnen vorimplementierte Algorithmen bietet, die Sie durch das Schreiben einer einzigen Zeile verwenden und die Algorithmusparameter entsprechend Ihrer Nutzung anpassen können. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Wir verwenden scikit-learn, um das Trainingsmodell für unsere sowie die Nutzung anderer Unternehmen zu entwickeln, die prädiktive Modelle für ihren täglichen Gebrauch benötigen. Wir entwickeln auch prädiktive Modelle für unsere Kunden und geben ihnen eine funktionierende Anwendung, die abgestimmt ist und gemäß ihren Anforderungen funktioniert, daher ist scikit-learn am besten für uns geeignet. ### 44. Open Source Machine Learning Bibliothek **Rating:** 5.0/5.0 stars **Reviewed by:** Riya T. | Senior Software Engineer, Computersoftware, Kleinunternehmen (50 oder weniger Mitarbeiter) **Reviewed Date:** April 16, 2018 **Was gefällt Ihnen an scikit-learn am besten?** - Es ist Open Source. - Es hat eine große Community-Unterstützung. - Man kann leicht Tutorials finden, um es zu lernen. - Detaillierte Dokumentation mit Details. **Was gefällt Ihnen an scikit-learn nicht?** Es war meine helfende Hand, wenn es um maschinelles Lernen geht. Ich habe kein Problem oder Abneigungen gegen diese sehr großartige und hilfreiche Bibliothek. **Empfehlungen für andere, die scikit-learn in Betracht ziehen:** Sie haben eine detaillierte Erklärung jedes Algorithmus mit Beispielen bereitgestellt. Ich empfehle auch die Tutorials von sentdex auf YouTube. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Es für den Bau von maschinellen Lernprojekten verwenden. ### 45. Die zuverlässigste und effizienteste maschinelle Lernbibliothek **Rating:** 5.0/5.0 stars **Reviewed by:** Rahul S. | Machine Learning Engineer, Computersoftware, Kleinunternehmen (50 oder weniger Mitarbeiter) **Reviewed Date:** February 11, 2018 **Was gefällt Ihnen an scikit-learn am besten?** Die meisten komplexen Probleme werden leicht gelöst mit Hilfe seines Potentials zur Auswahl von Algorithmen. Es deckt auch die meisten Aufgaben des maschinellen Lernens ab. Es hat eine großartige Benutzeroberfläche und ist ein gut aktualisiertes Modul. Die Skalierbarkeit und Robustheit machen es sehr benutzerfreundlich. **Was gefällt Ihnen an scikit-learn nicht?** Es wird nicht sehr wahrscheinlich dort verwendet, wo ein hoher Bedarf an statistischen Informationen besteht. **Empfehlungen für andere, die scikit-learn in Betracht ziehen:** Es wäre mir eine große Freude, scikit-learn anderen zu empfehlen. Die Qualität des Supports und darüber hinaus eine gut dokumentierte API machen es zu einer der besten Machine-Learning-Bibliotheken bis jetzt. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Bildverarbeitung. Gesichtserkennung sowie Handschriftenerkennung. Auch bei der Erstellung von Multi-Label-Datensätzen. ### 46. Eine der besten Bibliotheken für maschinelles Lernen für die Programmiersprache Python **Rating:** 5.0/5.0 stars **Reviewed by:** Sunny S. | Machine Learning Engineer, Computersoftware, Kleinunternehmen (50 oder weniger Mitarbeiter) **Reviewed Date:** February 11, 2018 **Was gefällt Ihnen an scikit-learn am besten?** Es deckt die meisten Aufgaben des maschinellen Lernens ab. Es skaliert auf die meisten Datenprobleme. Die Auswahl solider Algorithmen. Ein gut aktualisiertes Modul. Die API-Dokumentation. Die Unterstützung für Kunden. Es ist robust und einfach zu bedienen. **Was gefällt Ihnen an scikit-learn nicht?** Es unterstützt keine GPU-Beschleunigung. Es legt weniger Wert auf Statistik als R. **Empfehlungen für andere, die scikit-learn in Betracht ziehen:** Ich würde definitiv empfehlen, scikit-learn zu verwenden, da es eine gut dokumentierte API hat und auch einfach zu benutzen ist. Es ist am besten geeignet für die Implementierung der meisten Aufgaben des maschinellen Lernens. Es hat einen großartigen Kundensupport. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Audio-, Text- und Bildkategorisierung. Bioinformatik. Multi-Label-Klassifikations- und Multi-Klassen-Klassifikationsprobleme. Laden und Generieren von Multi-Label-Datensätzen. ### 47. Sehr gut dokumentierte ML-Bibliothek für Python **Rating:** 5.0/5.0 stars **Reviewed by:** Jeel L. | Senior Software Engineer, Computersoftware, Kleinunternehmen (50 oder weniger Mitarbeiter) **Reviewed Date:** January 12, 2018 **Was gefällt Ihnen an scikit-learn am besten?** Die Dokumentation ist sauber und klar, man kann sie leicht verstehen. Wenn man auf Probleme stößt, kann man leicht die Lösung im Internet finden, da es viele Menschen auf der ganzen Welt nutzen. Ich verwende es fast überall, wo ich Machine Learning einsetze. **Was gefällt Ihnen an scikit-learn nicht?** Keine Abneigungen für eine so gut dokumentierte und hilfreiche Bibliothek. **Empfehlungen für andere, die scikit-learn in Betracht ziehen:** Es gibt viele Tutorials im Internet, aber ich persönlich empfehle diesen YouTube-Kanal: https://www.youtube.com/user/sentdex, um mit scikit-learn zu beginnen. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Von all den ML-Projekten, an denen wir bei Techy Developers arbeiten, verwenden wir scikit-learn als ML-Bibliothek. Es funktioniert einwandfrei und hat jedes Mal großartige Ergebnisse geliefert, wenn es verwendet wurde. ### 48. Großartige Python-Bibliothek für maschinelles Lernen **Rating:** 5.0/5.0 stars **Reviewed by:** Verifizierter Benutzer in Telekommunikation | Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** December 06, 2017 **Was gefällt Ihnen an scikit-learn am besten?** Scikit-learn ist eine gut dokumentierte Python-Bibliothek, die einfachen Zugang zu vielen prominenten maschinellen Lernalgorithmen bietet. Die Bibliothek ist so konzipiert, dass sie eine konsistente API bietet, unabhängig davon, welchen Algorithmus man verwenden möchte, sodass es einfach ist, einen neuen Algorithmus auszuprobieren, den man noch nie zuvor verwendet hat. **Was gefällt Ihnen an scikit-learn nicht?** Wie bei jeder Bibliothek dieser Art (Zusammenstellung vieler verschiedener Algorithmen) enthält sie nicht immer den Inhalt, den Sie suchen. Scikit-learn enthält nur die beliebtesten Algorithmen, daher ist es sehr wahrscheinlich, dass Sie keine Implementierung eines spezialisierteren Algorithmus in der Bibliothek finden werden, wenn Sie danach suchen. **Empfehlungen für andere, die scikit-learn in Betracht ziehen:** Stellen Sie sicher, dass Sie die Dokumentation gründlich lesen. Die API ist intuitiv, erfordert jedoch ein Verständnis dafür, wie maschinelle Lernalgorithmen auf einer hohen Ebene funktionieren. Die grundlegendsten und gebräuchlichsten Datenumwandlungs- und Manipulationswerkzeuge sind bereits integriert, daher sollten Sie versuchen, diese zu verwenden, es sei denn, Ihr Datensatz erfordert etwas Spezielleres. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Ich verwende scikit-learn, um auf unüberwachte Lernalgorithmen zuzugreifen, um Datenzeilen zu clustern und Datensätze ohne vorab definierte Beziehungen zu verbinden. Dies hat zu einer Produktkategorisierung auf einer niedrigeren Ebene geführt, als sie bisher aufgrund der Art der Daten meines Unternehmens verfügbar war. ### 49. Scikit-learn ist ein wirklich großartiges Paket, das in Python enthalten ist. **Rating:** 5.0/5.0 stars **Reviewed by:** Verifizierter Benutzer in Höhere Bildung | Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** April 23, 2018 **Was gefällt Ihnen an scikit-learn am besten?** Sie können Klassifikation, Clustering, Regression, Vorverarbeitung und vieles mehr durchführen. Wenn Sie in der maschinellen Lernforschung arbeiten, würde ich dieses Paket sehr empfehlen. **Was gefällt Ihnen an scikit-learn nicht?** Nichts ist nicht zu mögen. Alles kommt ohne Kosten und ist wirklich effizient. Du musst nur grundlegende Python-Programmierung kennen. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Ich verwende es in meiner Forschungsarbeit im Zusammenhang mit Signalverarbeitung und maschinellem Lernen. ### 50. Scikit Learn ist gut **Rating:** 4.5/5.0 stars **Reviewed by:** Verifizierter Benutzer in Krankenhaus & Gesundheitswesen | Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** June 25, 2018 **Was gefällt Ihnen an scikit-learn am besten?** Es hat die besten Bibliotheken, die auf Daten laufen können. Es ist hauptsächlich hilfreich, wenn Sie überwachte oder unbeaufsichtigte maschinelle Lernverfahren auf Ihren Daten durchführen. **Was gefällt Ihnen an scikit-learn nicht?** Python ist langsam. Daher macht die Verwendung der Bibliotheken die Datenanalyse langsam. **Empfehlungen für andere, die scikit-learn in Betracht ziehen:** Scikit-learn ist erstaunlich, es hat viele Funktionen für maschinelles Lernen. **Welche Probleme löst scikit-learn für Sie, und wie profitieren Sie davon?** Kreditrisikoanalyse, Direkte Bibliotheken verfügbar für viele maschinelle Lernalgorithmen ## scikit-learn Discussions - [Wofür wird scikit-learn verwendet?](https://www.g2.com/de/discussions/scikit-learn-what-is-scikit-learn-used-for) - 2 comments - [Was ist Python Scikit-learn?](https://www.g2.com/de/discussions/what-is-python-scikit-learn) - 1 comment - [View scikit-learn pricing details and edition comparison](https://www.g2.com/de/products/scikit-learn/reviews?section=pricing&secure%5Bexpires_at%5D=2026-06-12+09%3A39%3A19+-0500&secure%5Bsession_id%5D=b0c7f7b4-55fc-454a-a821-c89979779742&secure%5Btoken%5D=1cbda9b59696752fce70e52158a734ccd483f938d80967ed4f6f6db37a5800d3&format=llm_user) ## scikit-learn Features **Integration - Maschinelles Lernen** - Integration **Lernen - Maschinelles Lernen** - Trainingsdaten - Handlungsfähige Erkenntnisse - Algorithm - Algorithmus ## Top scikit-learn Alternatives - [MLlib](https://www.g2.com/de/products/mllib/reviews) - 4.1/5.0 (14 reviews) - [Weka](https://www.g2.com/de/products/weka/reviews) - 4.3/5.0 (13 reviews) - [Google Cloud TPU](https://www.g2.com/de/products/google-cloud-tpu/reviews) - 4.5/5.0 (33 reviews)