Scikit-Learn

Installation 
If you already installed NumPy and Scipy, following are the two easiest ways to install 
scikit-learn: 
Using pip 
Following command can be used to install scikit-learn via pip: 
pip install -U scikit-learn 
Using conda 
Following command can be used to install scikit-learn via conda: 
conda install scikit-learn 
On the other hand, if NumPy and Scipy is not yet installed on your Python workstation 
then, you can install them by using either 
pip
or 
conda
. 

---

Scikit-Learn
3 
Another option to use scikit-learn is to use Python distributions like 
Canopy
and 
Anaconda 
because they both ship the latest version of scikit-learn. 
Features 
Rather than focusing on loading, manipulating and summarising data, Scikit-learn library 
is focused on modeling the data. Some of the most popular groups of models provided by 
Sklearn are as follows: 
Supervised Learning algorithms:
Almost all the popular supervised learning 
algorithms, like Linear Regression, Support Vector Machine (SVM), Decision Tree etc., are 
the part of scikit-learn. 
Unsupervised Learning algorithms:
On the other hand, it also has all the popular 
unsupervised learning algorithms from clustering, factor analysis, PCA (Principal 
Component Analysis) to unsupervised neural networks.
Clustering:
This model is used for grouping unlabeled data. 
Cross Validation:
It is used to check the accuracy of supervised models on unseen data. 
Dimensionality Reduction:
It is used for reducing the number of attributes in data which 
can be further used for summarisation, visualisation and feature selection.