之前一直想在Ubuntu下搭建一个机器学习的框架，由于忙于各种事情一直拖到先在。终于在上周成功的在Ubuntu下搭建了scikit-learn的学习矿机。
首先介绍一下scikit-learn 机器学习框架，他是非常流行的开源机器学习框架，基于Python的机器学习模块，基于BSD开源许可证。这个项目最早由DavidCournapeau 在2007 年发起的，目前也是由社区自愿者进行维护。Scikit-Learn的官方网站是http://scikit-learn.org/stable/，在上面可以找到相关的Scikit-Learn的资源，模块下载，文档，例程等等。
上菜了、、、、、、、、、、、、
(1) 在终端下安装第三方的科学计算包numpy模块，
sudo apt-get install python-numpy
(2) 安装 scipy
sudo apt-get install python-scipy模块
(3) 安装matplotlib模块
sudo apt-get install matplotlib
注意：这儿注意哥哥模块的安装顺序
注意：在安装scipy模块时或许会出现错误，例如 “Ubuntu 无法定位软件口”，关于这个问题至少有这两种方式处理
(a) 将Ubuntu下的软件来源设置为“国内”
(b) 更新软件包》》》》》当时我是通过这种方式解决的
(c) h还有一些其他的方法请在GitHub上查找
(4) 安装c/c 编译器
sudo apt-get install bulid-essential
(5) sudo apt-get install python-dev
(6) sudo apt-get install python-setuptools
(7) sudo apt-get install libatlas-dev
(8) sudo apt-get install libatlas3-base
(9) sudo apt-get install python-pip
(10) sudo apt-get install -U sckit-learn
其实到这儿已经安装完了，但是为了更好地方便使用我在这儿有安装了一个python的环境，也就是文本编辑器vim，功能强大
(11) sudo apt-get install vim-gtk
由于安装后的vim界面不够友好，则需要按照下面的步骤进行蛇者，要是你感觉无所谓也可以不用这一步，但是我们追求完美的用户体验的话还在费点劲吧
首先确定syntax on以保证会进行语法高亮
然后将下列添加到最后面
set nu
set btabstop
set nobackuo
set cursorline
set ruler
set autoindent
OK ，相对安装MongoDB而言还是比较简单的，为此我在这了做了一个机器学习的简单的例子，使用的是scikit-learn 数据库中的例子，具体如下：
print __doc__
# code source: GuoDongwei
#licence: BSD 3 clause
import matplotlib.pyplot as plt
import numpy as np
from sklearn import linear_model, datasets
#Load the diabetes dataset
diabetes = datasets.load_diabetes()
#Use only ane feature
diabetes_x = diabetes.data[:, np.newaxis, 2]
#Split the data into training and testing sets
diabetes_x_train = diabetes_x[:-20]
diabetes_x_test = diabetes_x[-20:]
#Split the target into training and testing set
diabetes_y_trian = diabetes.target[:-20]
diabetes_y_test = diabetes.target[-20:]
#create linear regresison object
regr = linear_model.LinearRegression()
# train the model using the traing set
regr.fit(diabetes_x_train, diabetes_y_trian)
# the coefficients
print 'coefficients:n', regr.coef_
# the mean squares error
print 'residual sum of squares:%.2f' % np.mean((regr.predict(diabetes_x_test) - diabetes_y_test)**2)
#explained variance score: 1 is the perfect prediction
print 'variance score: %.2f' % regr.score(diabetes_x_test, diabetes_y_test)
#plot output
plt.scatter(diabetes_x_test, diabetes_y_test, color = 'black')
plt.plot(diabetes_x_test, regr.predict(diabetes_x_test), color = 'blue', linewidth = 3)
#plt.xticks(())
#plt.yticks(())
plt.show()
