scikit-learn：Python 机器学习基础库

基于 SciPy 构建的 Python 机器学习模块，提供分类、回归、聚类等常用算法与配套工具，供科研人员搭建和评估模型。

这个工具是什么

scikit-learn 是一个构建在 SciPy 之上的 Python 机器学习模块，采用 3-Clause BSD 许可证发布。项目于 2007 年由 David Cournapeau 作为 Google Summer of Code 项目启动，此后由众多志愿者持续贡献，目前由社区维护，并获得多家机构的支持。它依赖 Python、NumPy、SciPy、Narwhals、joblib 与 threadpoolctl；绘图相关功能（以 plot_ 开头的函数和以 Display 结尾的类）需要 Matplotlib，部分示例还需要 scikit-image、pandas、seaborn 或 Plotly。官方主页为 scikit-learn.org，文档中包含更详细的安装说明与变更日志。

核心能力

• 提供分类、回归、聚类等常用机器学习算法，接口风格统一
• 基于 SciPy 与 NumPy 构建，依赖清晰，便于与科学计算栈配合
• 提供 plot_ 函数与 Display 类等绘图能力，辅助结果可视化
• 采用 BSD 许可证，社区维护，文档与开发指南较为完整

科研中的典型用法

• 用统一接口训练分类或回归模型，对实验数据做预测与拟合
• 借助交叉验证、评估指标等工具比较不同模型在数据集上的表现
• 结合 Matplotlib 绘图功能展示模型结果，用于论文或报告配图

快速上手

安装前需具备可用的 NumPy 与 SciPy 环境，最简单的方式是使用 pip：pip install -U scikit-learn；也可用 conda：conda install -c conda-forge scikit-learn。注意当前要求 Python 3.12 及以上、NumPy 1.26.0 及以上、SciPy 1.11.4 及以上。绘图功能需额外安装 Matplotlib 3.8.0 及以上。更多安装细节见官方文档的安装页面。

生态与相近工具

同领域还有 PyTorch、TensorFlow 等侧重深度学习的框架，以及 statsmodels 等偏统计建模的库。scikit-learn 定位在经典机器学习算法与统一接口，依赖较轻、上手直接；若任务以神经网络或大规模深度学习为主，可考虑上述框架，二者也可配合使用。

项目信息

• 仓库：scikit-learn/scikit-learn
• 星标：67,301　·　派生：27,423
• 主要语言：Python
• 许可证：BSD-3-Clause
• 最近提交：2026-09-18
• 项目主页：https://scikit-learn.org

本文属于《学科研究工具知识库 · 信息科学》第 5 篇（按 GitHub 星标排序）。收录标准：该学科公开可获取的开源研究工具，星标与活跃度为主要参考，不代表对其性能或适用性的背书；选型前请结合自身场景评估。