我正在按照这个问题中的建议使用 scikit-learn 进行机器学习。令我惊讶的是，它似乎没有提供对它训练的实际模型的访问。例如，如果我创建一个 SVM、线性分类器甚至决策树，它似乎没有为我提供一种查看为实际训练模型选择的参数的方法。
如果创建模型部分是为了更清楚地了解它正在使用的功能（例如，决策树），则查看实际模型很有用。如果想要使用 Python 来训练模型并使用其他一些代码来实际实现它，那么查看模型也是一个重要问题。
我在scikit-learn中错过了一些东西，还是有一些方法可以在scikit-learn中解决这个问题？如果不是，那么什么是好的免费机器学习工作台，不一定在python中，其中 模型是透明的？
合的模型参数直接作为属性存储在模型实例上。这些拟合的参数有一个特定的命名约定：它们都以尾随下划线结尾，而不是用户提供的构造函数参数（也称为超参数）。
拟合属性的类型取决于算法。例如，对于内核支持向量机，您将拥有数组支持向量，双系数和截距，而对于随机森林和极端随机化树，您将拥有二叉树的集合（在内存中内部表示为连续的numpy数组，用于性能问题：数组表示的结构）。
有关更多详细信息，请参阅每个模型的文档字符串的"属性"部分，例如 SVC：
http://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html#sklearn.svm.SVC
对于基于树的模型，您还有一个帮助程序函数来生成学习树的graphivz_export：
http://scikit-learn.org/stable/modules/tree.html#classification
要查找森林模型中特征的重要性，您还应该查看 compute_importances 参数，例如，请参阅以下示例：
http://scikit-learn.org/stable/auto_examples/ensemble/plot_forest_importances.html#example-ensemble-plot-forest-importances-py
http://scikit-learn.org/stable/auto_examples/ensemble/plot_forest_importances_faces.html#example-ensemble-plot-forest-importances-faces-py