我按照这个问题的推荐，使用scikit-learn进行机器学习。令我惊讶的是，它似乎并不提供访问它训练的实际模型的途径。例如，如果我创建一个SVM、线性分类器甚至是决策树，它似乎没有提供查看实际训练模型所选参数的方法。
查看实际模型是有用的，如果模型的创建部分是为了更清楚地了解它使用了哪些特征（例如，决策树）。如果有人想用Python训练模型，然后用其他代码实际实现它，那么查看模型也是一个重要的问题。
我在scikit-learn中遗漏了什么，还是有办法在scikit-learn中获取这些信息？如果没有，哪个免费的机器学习工作台是好的选择，不一定是Python的，其中模型是透明可用的？
回答：
拟合模型的参数直接存储在模型实例的属性中。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束，而用户提供的构造函数参数（即超参数）则没有。
拟合属性的类型取决于算法。例如，对于核支持向量机，你将拥有支持向量、双重系数和截距的数组，而对于随机森林和极端随机树，你将拥有一组二叉树（在内存中以连续的numpy数组形式内部表示，以提高性能：数组结构表示）。
有关更多详细信息，请查看每个模型的文档字符串中的属性部分，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，你还可以使用一个辅助函数来生成学习树的graphivz_export：
http://scikit-learn.org/stable/modules/tree.html#classification
要找出森林模型中特征的重要性，你还应该查看compute_importances参数，参见以下示例：
