sklearn 基础教程

news2024/11/24 3:48:25

scikit-learn（简称sklearn）是一个开源的机器学习库，它提供了简单和有效的数据分析和数据挖掘工具。sklearn是Python语言中最重要的机器学习库之一，广泛用于统计学习和数据分析。
以下是scikit-learn的基础教程，帮助您开始使用这个强大的工具。

安装

在开始之前，您需要确保已经安装了Python和pip。然后，您可以使用pip来安装scikit-learn：

pip install -U scikit-learn

数据集

scikit-learn提供了一系列的数据集，供您在学习和测试时使用。例如，著名的鸢尾花数据集（Iris dataset）：

from sklearn.datasets import load_iris
iris = load_iris()
data = iris.data
target = iris.target

数据预处理

在训练模型之前，通常需要对数据进行预处理。sklearn.preprocessing模块提供了许多数据预处理工具。
例如，使用StandardScaler对数据进行标准化：

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
data_scaled = scaler.fit_transform(data)

模型训练

scikit-learn提供了大量的机器学习模型，包括分类、回归、聚类等。以下是一个使用支持向量机（SVM）进行分类的例子：

from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(data_scaled, target, test_size=0.2, random_state=42)
# 创建SVM分类器
clf = SVC(kernel='linear')
# 训练模型
clf.fit(X_train, y_train)
# 评估模型
score = clf.score(X_test, y_test)
print("模型的准确率：", score)

模型评估

sklearn.metrics模块提供了多种性能评估指标，如准确率、混淆矩阵、F1分数等。

from sklearn.metrics import classification_report
y_pred = clf.predict(X_test)
print(classification_report(y_test, y_pred))

管道（Pipeline）

scikit-learn提供了Pipeline类，用于将多个步骤封装为一个单一的估计器，这在机器学习工作流中非常有用。

from sklearn.pipeline import Pipeline
pipeline = Pipeline([
    ('scaler', StandardScaler()),
    ('svm', SVC(kernel='linear'))
])
pipeline.fit(X_train, y_train)
score = pipeline.score(X_test, y_test)
print("管道中模型的准确率：", score)

超参数调整

使用GridSearchCV或RandomizedSearchCV进行超参数的网格搜索或随机搜索，以找到最佳的模型参数。

from sklearn.model_selection import GridSearchCV
param_grid = {'svm__C': [0.1, 1, 10], 'svm__gamma': [1, 0.1, 0.01]}
grid = GridSearchCV(pipeline, param_grid, cv=5)
grid.fit(X_train, y_train)
print("最佳参数：", grid.best_params_)
print("最佳分数：", grid.best_score_)