Scikit-Learn 基础教程

🐋Scikit-Learn 基础教程

🐋Scikit-Learn 简介

🐋 数据预处理

🦈数据集导入

🦈数据清洗

🦈特征选择

🦈特征标准化

🐋 模型选择

🦈分类模型

🦈回归模型

🦈聚类模型

🐋模型训练与评估

🦈交叉验证

🦈超参数调优

🐋 模型保存与加载

🐋 实战案例

🦈分类问题：手写数字识别

🦈回归问题：波士顿房价预测

🦈聚类问题：鸢尾花数据集聚类分析

🐋总结

🐋Scikit-Learn 基础教程

Scikit-Learn（简称 sklearn）是一个基于 Python 的机器学习库。它构建在 NumPy、SciPy 和 Matplotlib 之上，为各种机器学习任务提供了简单而高效的工具。本文将详细解析 Scikit-Learn 的基础知识，并通过具体示例来展示其应用。

🐋Scikit-Learn 简介

Scikit-Learn 是一个开源的机器学习库，由 David Cournapeau 在 2007 年创建，并在 2010 年由 INRIA 进行发布。它以其简单易用、丰富的功能和良好的文档支持，成为了机器学习领域的重要工具。

Scikit-Learn 提供了以下主要功能：

数据预处理：包括特征提取、归一化和降维等。
模型选择：支持多种分类、回归和聚类算法。
模型评估：提供了丰富的模型评估指标和交叉验证方法。
模型调优：支持网格搜索和随机搜索等超参数调优方法。
模型持久化：支持模型的保存和加载。

🐋 数据预处理

数据预处理是机器学习流程中的重要环节，旨在将原始数据转换为适合模型训练的数据形式。Scikit-Learn 提供了一系列工具来简化这一过程。

🦈数据集导入

Scikit-Learn 提供了一些常用数据集，可以通过 datasets 模块直接加载。此外，还可以从 CSV、Excel 等文件中导入数据。

from sklearn import datasets# 加载鸢尾花数据集
iris = datasets.load_iris()
X, y = iris.data, iris.target

🦈数据清洗

数据清洗包括处理缺失值、去除重复数据等。可以使用 pandas 库进行数据清洗。

import pandas as pd
from sklearn.impute import SimpleImputer# 加载数据
data = pd.read_csv('data.csv')# 填补缺失值
imputer = SimpleImputer(strategy='mean')
data_imputed = imputer.fit_transform(data)

🦈特征选择

特征选择是从大量特征中选出对模型训练最有用的特征，Scikit-Learn 提供了多种特征选择方法，如基于方差、相关系数等。

from sklearn.feature_selection import SelectKBest, f_classif# 选择前 3 个最佳特征
selector = SelectKBest(score_func=f_classif, k=3)
X_new = selector.fit_transform(X, y)

🦈特征标准化

特征标准化是将数据缩放到相同尺度，以提高模型训练效果。常用的标准化方法有 MinMaxScaler、StandardScaler 等。

from sklearn.preprocessing import StandardScaler# 标准化特征
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

🐋 模型选择

Scikit-Learn 提供了多种机器学习模型，包括分类、回归和聚类模型。选择适合的模型是机器学习的关键步骤。

🦈分类模型

分类模型用于解决离散标签的预测问题。常用的分类模型有逻辑回归、支持向量机、决策树、随机森林等。

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)# 训练逻辑回归模型
model = LogisticRegression()
model.fit(X_train, y_train)# 预测并评估模型
y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy}")

🦈回归模型

回归模型用于预测连续值。常用的回归模型有线性回归、岭回归、Lasso 回归等。

from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error# 加载波士顿房价数据集
boston = datasets.load_boston()
X, y = boston.data, boston.target# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)# 训练线性回归模型
model = LinearRegression()
model.fit(X_train, y_train)# 预测并评估模型
y_pred = model.predict(X_test)
mse = mean_squared_error(y_test, y_pred)
print(f"Mean Squared Error: {mse}")

🦈聚类模型

聚类模型用于将数据分组，常用的聚类模型有 KMeans、DBSCAN、层次聚类等。

from sklearn.cluster import KMeans
import matplotlib.pyplot as plt# 训练 KMeans 模型
model = KMeans(n_clusters=3, random_state=42)
model.fit(X)# 获取聚类结果
labels = model.labels_# 可视化聚类结果
plt.scatter(X[:, 0], X[:, 1], c=labels, cmap='viridis')
plt.show()

🐋模型训练与评估

🦈交叉验证

交叉验证是一种评估模型性能的技术，通过多次训练和测试来获得更稳定的评估结果。Scikit-Learn 提供了 cross_val_score 函数进行交叉验证。

from sklearn.model_selection import cross_val_score# 进行 5 折交叉验证
scores = cross_val_score(model, X, y, cv=5)
print(f"Cross-validation scores: {scores}")
print(f"Mean score: {scores.mean()}")

🦈超参数调优

超参数调优是通过调整模型的超参数来提升模型性能。Scikit-Learn 提供了网格搜索和随机搜索方法。

from sklearn.model_selection import GridSearchCV# 定义参数网格
param_grid = {'C': [0.1, 1, 10, 100],'solver': ['lbfgs', 'liblinear']
}# 进行网格搜索
grid_search = GridSearchCV(LogisticRegression(), param_grid, cv=5)
grid_search.fit(X_train, y_train)# 最佳参数
print(f"Best parameters: {grid_search.best_params_}")

🐋 模型保存与加载

Scikit-Learn 提供了简单的模型保存和加载方法，通过 joblib 库实现。

import joblib# 保存模型
joblib.dump(model, 'model.pkl')# 加载模型
loaded_model = joblib.load('model.pkl')

🐋 实战案例

🦈分类问题：手写数字识别

手写数字识别是经典的分类问题，可以使用 MNIST 数据集进行演示。

from sklearn.datasets import load_digits
from sklearn.neighbors import KNeighborsClassifier# 加载手写数字数据集
digits = load_digits()
X, y = digits.data, digits.target# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)# 训练 KNN 分类器
model = KNeighborsClassifier(n_neighbors=3)
model.fit(X_train, y_train)# 预测并评估模型
y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy}")