روش های مختلفی برای نصب scikit-learn وجود دارد:
- آخرین نسخه رسمی را نصب کنید: این بهترین روش برای اکثر کاربران است. این یک نسخه پایدار را ارائه می دهد و بسته های از پیش ساخته شده برای اکثر سیستم عامل ها در دسترس هستند.
- نسخه scikit-learn ارائه شده توسط سیستم عامل یا توزیع پایتون را نصب کنید.
این گزینه سریع برای کسانی است که سیستم عامل یا توزیع پایتون دارند که یادگیری ناگهانی را توزیع می کنند. ممکن است آخرین نسخه منتشر شده را ارائه ندهد.
- ساخت بسته از منبع: این بهترین کاربرد برای کاربرانی است که جدیدترین و بهترین ویژگی ها را می خواهند و از اجرای کد جدید ترس ندارند. این مورد همچنین برای کاربرانی که مایل به مشارکت در این پروژه هستند مورد نیاز است.
نصب آخرین نسخه
Install the 64bit version of Python 3, for instance from https://www.python.org.
برای بررسی نصب خود می توانید از کد زیراستفاده کنید:
توجه داشته باشید که برای جلوگیری از درگیری احتمالی با بسته های دیگر ، توصیه می شود از یک محیط مجازی (venv) یا یک محیط conda استفاده کنید.
استفاده از چنین محیطی جداگانه امکان نصب نسخه خاصی از scikit-learn با pip یا conda و وابستگی های آن را مستقل از بسته های پایتون که قبلاً نصب شده اند ، فراهم می کند.
به ویژه تحت لینوکس ، نصب بسته های pip در کنار بسته های مدیریت شده توسط .
توجه داشته باشید که همیشه به یاد داشته باشید قبل از اجرای هرگونه دستور Python ، هر زمان که جلسه ترمینال جدیدی را شروع می کنید ، محیط مورد نظر خود را فعال کنید.
اگر هنوز NumPy یا SciPy را نصب نکرده اید ، می توانید این موارد را با استفاده از conda یا pip نیز نصب کنید.
هنگام استفاده از pip ، لطفاً اطمینان حاصل کنید که از چرخ های باینری استفاده شده است و NumPy و SciPy مجدداً از منبع جمع آوری نشده اند ، که این امر می تواند هنگام استفاده از پیکربندی های خاص سیستم عامل و سخت افزار (مانند Linux در Raspberry Pi) اتفاق بیفتد.
قابلیت رسم یادگیری Scikit را بیاموزید (به عنوان مثال ، توابع با “plot_” شروع می شوند و کلاسها با “Display” به پایان می رسند) به Matplotlib نیاز دارند.
حداقل نسخه وابستگی های یادگیری Scikit به همراه هدف آن در زیر لیست شده است.
هشدار : Scikit-learn 0.20 آخرین نسخه پشتیبانی از Python 2.7 و Python 3.4 بود. نسخه Scikit-learn 0.21 از Python 3.5-3.7 پشتیبانی می کند. Scikit-learn 0.22 از Python 3.5-3.8 پشتیبانی می کند. Scikit-learn اکنون به Python 3.6 یا نسخه جدیدتر نیاز دارد.
توجه: برای نصب در PyPy ، PyPy3-v5.10 + ، Numpy 1.14.0+ و scipy 1.1.0+ مورد نیاز است.
نصب بر روی سخت افزار Apple Silicon M1
سیستم عامل macos / arm64 که اخیراً معرفی شده است (که بعضاً با نام macos / aarch64 نیز شناخته می شود) برای پشتیبانی صحیح از آن ، جامعه منبع باز نیاز به ارتقا پیکربندی ساخت و اتوماسیون دارد.
در زمان نگارش این مقاله (ژانویه 2021) ، تنها راه برای نصب کارکردن یادگیری scikit بر روی این سخت افزار نصب scikit-learn و وابستگی های آن از توزیع conda-forge است ، به عنوان مثال با استفاده از نصب کننده های miniforge
https://github.com/conda-forge/miniforge
مسئله زیر پیشرفت ایجاد امکان یادگیری scikit- یادگیری از PyPI با pip را پیگیری می کند:
https://github.com/scikit-learn/scikit-learn/issues/19137
توزیع های شخص ثالث scikit-learn
برخی از توزیع های شخص ثالث نسخه هایی از یادگیری ناگهانی را با سیستم های مدیریت بسته خود فراهم می کنند.
این موارد می توانند نصب و به روزرسانی را برای کاربران بسیار آسان کنند ، زیرا یکپارچه سازی شامل توانایی نصب خودکار وابستگی ها (numpy ، scipy) است که یادگیری سریع به آن نیاز دارد.
در زیر لیستی از توزیع سیستم عامل و پایتون وجود دارد که نسخه خود را از یادگیری سریع ارائه می دهند.
Arch Linux
بسته Arch Linux از طریق مخازن رسمی به عنوان python-scikit-learn برای پایتون ارائه می شود.
با تایپ دستور زیر می توان آن را نصب کرد:
Debian/Ubuntu
Debian/Ubuntu در سه بسته مختلف به نام های python3-sklearn (ماژول های پایتون) ، python3-sklearn-lib (پیاده سازی ها و صحافی های سطح پایین) ، python3-sklearn-doc (مستندات) تقسیم شده است.
فقط نسخه پایتون 3 در Debian Buster (آخرین توزیع دبیان) موجود است.
بسته ها را می توان با استفاده از apt-get نصب کرد:
Fedora
بسته Fedora برای نسخه python 3 python3-scikit-learn نام دارد ، تنها بسته موجود در Fedora30.
با استفاده از dnf قابل نصب است:
NetBSD
scikit-learn از طریق pkgsrc-wip در دسترس است:
http://pkgsrc.se/math/py-scikit-learn
MacPorts برای Mac OSX
بسته MacPorts py <XY> -scikits-learn نامگذاری شده است ، جایی که XY نسخه پایتون را نشان می دهد.
با تایپ دستور زیر می توان آن را نصب کرد:
Anaconda و Enthought Deployment Manager برای همه سیستم عامل های پشتیبانی شده
Anaconda و Enthought Deployment Manager هر دو علاوه بر مجموعه بزرگی از کتابخانه علمی پایتون برای ویندوز ، Mac OSX و Linux با یادگیری ناگهانی ارسال می کنند.
کانال Intel conda
اینتل یک کانال conda اختصاصی را حفظ می کند با یادگیری دقیق:
این نسخه از scikit-learn برای برخی از برآورد کنندگان رایج دارای راه حل های جایگزین است. این راه حل ها از کتابخانه DA + C آمده و برای پردازنده های مرکزی چند هسته ای بهینه شده اند
توجه داشته باشید که این حل کننده ها به طور پیش فرض فعال نیستند ، لطفاً برای جزئیات بیشتر به اسناد daal4py مراجعه کنید.
سازگاری با راه حلهای استاندارد یادگیری یادگیری با اجرای مجموعه کامل آزمون یادگیری یادگیری از طریق ادغام مداوم خودکار بررسی می شود که در https://github.com/IntelPython/daal4py گزارش شده است.
دوره آموزشی زبان برنامه نویسی پایتون »کلیک کنید» یک برنامه جامع است که بر توسعه سریع نرم‌افزارهای کاربردی، برنامه‌نویسی شی‌گرا و کاربری ماژول و…. با استفاده از ابزار Python تمرکز دارد.
سپاسگذاریم از وقتی که برای خواندن این مقاله گذاشتید
.
برای خرید لایسنس پاور بی ای Power BI کلیک کنید
.
برای مشاهده ویدیوهای آموزشی داده کاوی و هوش تجاری ما را در شبکه های اجتماعی دنبال کنید
Youtube Chanel :VISTA Data Mining 
Aparat Chanel: VISTA Data Mining 
Instagram Chanel: VISTA Data Mining 
Telegram Chanel: VISTA Data Mining 
Linkedin Chanel: VISTA Company 
