Scikit-Learn

Ensemble methods:
As name suggest, it is used for combining the predictions of multiple 
supervised models. 
Feature extraction:
It is used to extract the features from data to define the attributes 
in image and text data. 
Feature selection:
It is used to identify useful attributes to create supervised models. 
Open Source:
It is open source library and also commercially usable under BSD license. 
 

---

Scikit-Learn
4 
This chapter deals with the modelling process involved in Sklearn. Let us understand about 
the same in detail and begin with dataset loading. 
Dataset Loading 
A collection of data is called dataset. It is having the following two components: 
Features:
The variables of data are called its features. They are also known as predictors, 
inputs or attributes.

Feature matrix:
It is the collection of features, in case there are more than one. 

Feature Names:
It is the list of all the names of the features. 
Response: 
It is the output variable that basically depends upon the feature variables. 
They are also known as target, label or output.

Response Vector:
It is used to represent response column. Generally, we have 
just one response column.
 

Target Names:
It represent the possible values taken by a response vector. 
Scikit-learn have few example datasets like 
iris
and 
digits
for classification and the 
Boston house prices 
for regression. 
Following is an example to load 
iris
dataset: 
from sklearn.datasets import load_iris 
iris = load_iris() 
X = iris.data 
y = iris.target 
feature_names = iris.feature_names 
target_names = iris.target_names 
print("Feature names:", feature_names)