| Créateur | David Cournapeau |
|---|---|
| Développé par | David Cournapeau, Olivier Grisel (d), Gaël Varoquaux, Alexandre Gramfort (d) et Andreas Mueller (d) |
| Dernière version | 1.8.0 ()[1] |
| Dépôt | github.com/scikit-learn/scikit-learn |
| Assurance qualité | Intégration continue |
| Écrit en | Python, C, C++ et Cython |
| Système d'exploitation | Linux et Microsoft Windows |
| Type |
Bibliothèque logicielle Bibliothèque logicielle Python (d) |
| Licence | BSD 3-clauses |
| Site web | scikit-learn.org |
Scikit-learn est une bibliothèque libre Python destinée à l'apprentissage automatique. Elle est développée par de nombreux contributeurs[2] notamment dans le monde académique par des instituts français d'enseignement supérieur et de recherche comme l'Inria[3].
Elle propose dans son framework de nombreuses bibliothèques d’algorithmes à implémenter, clé en main. Ces bibliothèques sont à disposition notamment des data scientists.
Elle comprend notamment des fonctions pour estimer des forêts aléatoires, des régressions logistiques, des algorithmes de classification, et les machines à vecteurs de support. Elle est conçue pour s'harmoniser avec d'autres bibliothèques libres Python, notamment NumPy et SciPy.
Historique
Scikit-learn est dérivé d'un projet soumis par David Cournapeau lors du Google Summer of Code de 2007 sous le nom scikits.learn[4]. Cournapeau envisageait initialement de créer une version dérivée et simplifiée (toolkit) de SciPy, l'une des principales library Python pour le calcul scientifique. En 2010, le projet change de nature et est désormais maintenu par une nouvelle équipe de développeurs issus de l'Inria, avec le support de l'institution scientifique.
En 2024, une nouvelle organisation est créée pour garantir le soutien financier de Scikit-Learn, Probabl, avec une gouvernance mixte associant des acteurs publics et privés sous la direction de Yann Lechelle[5].
Implémentation
Scikit-learn est écrit en Python, avec quelques algorithmes essentiels écrits en Cython pour optimiser les performances. Les machines à vecteurs de support sont réalisées par un emballage Cython autour de LIBSVM.
Exemple d'implémentation
Utilisation de la librairie Scikit-learn pour l'apprentissage d'un modèle de régression linaire :
import numpy as np
from sklearn.linear_model import LinearRegression
X = np.array([[1, 1], [1, 2], [2, 2], [2, 3]])
# y = 1 * x_0 + 2 * x_1 + 3
y = np.dot(X, np.array([1, 2])) + 3
reg = LinearRegression().fit(X, y)
reg.score(X, y)
reg.coef_
reg.intercept_
reg.predict(np.array([[3, 5]]))
Alternatives à Scikit-learn
Notes et références
- ↑ « Release 1.8.0 », (consulté le )
- ↑ (en) « Release history — scikit-learn 0.19.dev0 documentation », sur scikit-learn.org (consulté le ).
- ↑ « Scikit-Learn donne de l’intelligence à nos systèmes - Inria », sur Inria (consulté le ).
- ↑ Scikit-Learn, About
- ↑ Probabl is a new AI Company built around Popular Library Scikit-Learn, Techcrunch, 1er février 2024
Voir aussi
Bibliographie
- (en) Fabian Pedregosa, Gaël Varoquaux, Alexandre Gramfort, Vincent Michel, Bertrand Thirion, Olivier Grisel, Mathieu Blondel, Peter Prettenhofer, Ron Weiss et Vincent Dubourg, « Scikit-learn: Machine learning in Python », Journal of Machine Learning Research, vol. 12, , p. 2825-2830.
Liens externes
- Code source du projet sur Github
- Scikit-learn sur PyPI
- (en) Site officiel
