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，它似乎无法访问它训练的实际模型。例如，如果我创建一个 SVM、线性分类器甚至决策树，它似乎无法让我查看为实际训练模型选择的参数。
如果模型的创建部分是为了更清楚地了解它正在使用的功能（例如，决策树），那么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代码来实际实现它，那么查看模型也是一个重要问题。
我是否在 scikit-learn 中遗漏了一些东西，或者有什么方法可以在 scikit-learn 中解决这个问题？如果没有，什么是好的免费机器学习工作台，不一定是 python，其中模型是透明可用的？
拟合的模型参数直接存储为模型实例的属性。这些拟合参数有一个特定的命名约定：它们都以尾随下划线结尾，而用户提供的构造函数参数（也称为超参数）则没有。
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、对偶系数和截距，而对于随机森林和极端随机树，您将拥有二叉树的集合（在内存中内部表示为性能问题的连续 numpy 数组：结构数组表示）。
有关详细信息，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，您还有一个辅助函数来生成学习树的 graphivz_export：
http://scikit-learn.org/stable/modules/tree.html#classification
要了解森林模型中特征的重要性，您还应该查看compute_importances参数，例如，请参见以下示例：