Scikit-learn 介绍
Scikit-learn 是 Python 中最流行的机器学习库之一，提供了简单而高效的工具用于数据挖掘和数据分析。本教程将带你从零开始掌握 scikit-learn 的核心功能。
官方文档参考
本文档内容基于 scikit-learn 官方文档。
什么是 Scikit-learn？
Scikit-learn 是一个开源的 Python 机器学习库，具有以下特点：
- 简单易用：统一的 API 设计，学习曲线平缓
- 功能丰富：提供数十种机器学习算法和工具
- 文档完善：详尽的官方文档和大量示例
- 社区活跃：广泛使用，丰富的学习资源
能做什么？
Scikit-learn 支持多种机器学习任务：
| 类型 | 任务 | 典型算法 |
|---|---|---|
| 监督学习 | 分类、回归 | 线性回归、决策树、SVM、随机森林 |
| 无监督学习 | 聚类、降维 | K-Means、DBSCAN、PCA |
| 模型选择 | 超参数调优 | GridSearchCV、RandomizedSearchCV |
| 数据预处理 | 特征缩放、编码 | StandardScaler、LabelEncoder |
机器学习基本流程
使用 scikit-learn 进行机器学习通常遵循以下步骤：
1. 准备数据
↓
2. 选择模型
↓
3. 训练模型
↓
4. 评估模型
↓
5. 使用模型预测
安装 scikit-learn
# 使用 pip 安装
pip install scikit-learn
# 或使用 conda
conda install scikit-learn
验证安装：
import sklearn
print(sklearn.__version__)
快速开始
一个完整的机器学习示例：
# 1. 导入必要的库
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score
# 2. 加载数据
iris = load_iris()
X = iris.data # 特征：花萼长度、花萼宽度、花瓣长度、花瓣宽度
y = iris.target # 目标：花の種類 (0, 1, 2)
# 3. 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, random_state=42
)
# 4. 创建并训练模型
clf = RandomForestClassifier(random_state=0)
clf.fit(X_train, y_train)
# 5. 预测和评估
y_pred = clf.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print(f"准确率: {accuracy:.2f}")
核心概念
估计器（Estimator）
所有机器学习算法的基类，包括：
fit(X, y)：训练模型predict(X)：预测结果score(X, y)：评估模型
转换器（Transformer）
数据预处理工具，具有：
fit(X)：学习转换参数transform(X)：应用转换fit_transform(X)：一步完成学习和转换
管道（Pipeline）
将多个步骤串联成一条流水线：
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
pipeline = Pipeline([
('scaler', StandardScaler()), # 数据标准化
('svm', SVC()) # 支持向量机
])
# 一次性完成所有步骤
pipeline.fit(X_train, y_train)
y_pred = pipeline.predict(X_test)
为什么选择 Scikit-learn？
- 统一 API：所有算法使用相同的接口
- 丰富算法：覆盖主流机器学习算法
- 良好文档：详细的官方文档和示例
- 高效性能：基于 NumPy 和 SciPy 构建
- 广泛应用：Kaggle 竞赛中使用最频繁的库