Scikit是什么？

news2024/10/5 15:33:54

一、Scikit是什么？

二、用Scikit做一个简单房价预测例子

三、sklearn知识点

一、Scikit是什么？

Scikit就是scikit-learn，是一个免费软件机器学习库。

https://scikit-learn.org/stable/https://scikit-learn.org/stable/

用于预测数据分析的简单高效的工具
每个人都可以访问，并可在各种环境中重复使用
基于NumPy、SciPy和matplotlib构建
开放源代码，商业可用-BSD许可证

二、用Scikit做一个简单房价预测例子

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error
import matplotlib.pyplot as plt
import matplotlib

# 设置默认字体为中文字体，如黑体
matplotlib.rcParams['font.family'] = 'SimHei'

# 假设的数据集
data = {
    '面积': [80, 100, 120, 140, 160],
    '卧室数量': [2, 3, 3, 4, 4],
    '楼层': [5, 10, 15, 20, 25],
    '房价(万元)': [50, 60, 70, 80, 90]
}

df = pd.DataFrame(data)

# 划分数据集
X = df[['面积', '卧室数量', '楼层']]
y = df['房价(万元)']

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练模型
model = LinearRegression()
model.fit(X_train, y_train)

# 预测测试集
y_pred = model.predict(X_test)

# 评估模型
mse = mean_squared_error(y_test, y_pred)

# 打印均方误差
print(f"Mean Squared Error: {mse}")

# 绘制训练数据散点图
plt.scatter(X_train['面积'], y_train, color='blue', label='Training Data')

# 绘制测试数据散点图
plt.scatter(X_test['面积'], y_test, color='red', label='Test Data')

# 绘制预测线
plt.plot(X_test['面积'], y_pred, color='green', label='Predictions', linewidth=5)

# 添加图例和标题
plt.legend()
plt.title('XX城市房价预测模型')
plt.xlabel('面积')
plt.ylabel('房价(万元)')

# 预测新数据
new_data = [[150, 4, 22]]
predicted_price = model.predict(new_data)
print(f"预测新数据（面积150平米，4个卧室，22楼）的房价: {predicted_price[0]}")
plt.scatter(new_data[0][0], predicted_price[0], color='yellow', label='预测数据')

new_data = [[120, 3, 22]]
predicted_price = model.predict(new_data)
print(f"预测新数据（面积120平米，3个卧室，22楼）的房价: {predicted_price[0]}")
plt.scatter(new_data[0][0], predicted_price[0], color='yellow', label='预测数据')

new_data = [[80, 3, 22]]
predicted_price = model.predict(new_data)
print(f"预测新数据（面积80平米，2个卧室，22楼）的房价: {predicted_price[0]}")
plt.scatter(new_data[0][0], predicted_price[0], color='yellow', label='预测数据')

# 显示图表
plt.show()

三、`sklearn知识点`

sklearn包含了各种分类、回归、聚类算法，并且接口统一，使用方便，是机器学习领域非常受欢迎的库之一。主要功能：

分类（Classification）：sklearn提供了多种分类算法，如逻辑回归（Logistic Regression）、支持向量机（Support Vector Machines, SVM）、决策树（Decision Trees）、随机森林（Random Forests）、梯度提升（Gradient Boosting）等，用于解决分类问题。
回归（Regression）：对于预测连续值的问题，sklearn提供了线性回归（Linear Regression）、岭回归（Ridge Regression）、套索回归（Lasso Regression）等回归算法。
聚类（Clustering）：sklearn包含K-均值（K-Means）、层次聚类（Hierarchical Clustering）、DBSCAN等聚类算法，用于发现数据中的结构或组。
降维（Dimensionality Reduction）：通过主成分分析（Principal Component Analysis, PCA）、t-SNE（t-Distributed Stochastic Neighbor Embedding）等方法，sklearn可以帮助减少数据集的维度，以便于可视化或提高算法效率。
模型选择和评估（Model Selection and Evaluation）：sklearn提供了交叉验证（Cross-validation）、网格搜索（Grid Search）等工具，用于评估和调整模型性能，选择最佳参数。
预处理（Preprocessing）：包括数据标准化（Standardization）、归一化（Normalization）、编码（Encoding，如独热编码One-Hot Encoding）等，以便机器学习算法能够更有效地工作。
特征提取（Feature Extraction）：sklearn可以从原始数据中提取有用的特征，例如文本数据的词袋模型（Bag of Words）、TF-IDF（Term Frequency-Inverse Document Frequency）等。
数据可视化（Data Visualization）：虽然scikit-learn本身不是专门的数据可视化库，但它与matplotlib、seaborn等可视化库可以很好地配合，用于展示数据和模型结果。