scikit-learn 基础教程
scikit-learn 是一个基于 Python 的机器学习库,提供了简单而高效的工具用于数据挖掘和数据分析。本文将详细介绍 scikit-learn 的基本概念、安装方法、主要功能和常用的机器学习算法,帮助你快速上手并应用于实际项目。
目录
scikit-learn 简介
scikit-learn 是一个开源的机器学习库,基于 NumPy、SciPy 和 matplotlib。它提供了简单而一致的 API,涵盖了预处理、分类、回归、聚类、降维等多种算法和工具,是数据科学家和机器学习工程师常用的工具之一。
安装 scikit-learn
你可以通过 pip 或 conda 安装 scikit-learn。
使用 pip 安装
pip install scikit-learn
使用 conda 安装
conda install scikit-learn
数据预处理
数据集加载
scikit-learn 提供了一些内置的数据集,可以方便地进行学习和测试。
from sklearn.datasets import load_iris
iris = load_iris()
X = iris.data
y = iris.target
数据标准化
数据标准化是数据预处理的重要步骤,可以将不同尺度的数据转换到同一尺度。
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
数据分割
在进行模型训练前,通常将数据集划分为训练集和测试集。
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42)
常用机器学习算法
线性回归
线性回归用于回归问题,即预测连续值。
from sklearn.linear_model import LinearRegression
model = LinearRegression()
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
逻辑回归
逻辑回归用于分类问题,即预测离散类别。
from sklearn.linear_model import LogisticRegression
model = LogisticRegression()
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
决策树
决策树可以用于分类和回归问题。
from sklearn.tree import DecisionTreeClassifier
model = DecisionTreeClassifier()
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
随机森林
随机森林是一种集成学习方法,通过多棵决策树提高模型的准确性和稳健性。
from sklearn.ensemble import RandomForestClassifier
model = RandomForestClassifier()
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
支持向量机
支持向量机是一种强大的分类和回归工具,特别适用于高维空间。
from sklearn.svm import SVC
model = SVC()
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
K 近邻算法
K 近邻算法是一种简单的分类和回归算法。
from sklearn.neighbors import KNeighborsClassifier
model = KNeighborsClassifier()
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
聚类算法
K-Means 聚类是一种常见的无监督学习算法,用于将数据分成 K 个簇。
from sklearn.cluster import KMeans
model = KMeans(n_clusters=3)
model.fit(X_train)
clusters = model.predict(X_test)
模型评估与选择
交叉验证
交叉验证用于评估模型的泛化性能。
from sklearn.model_selection import cross_val_score
model = RandomForestClassifier()
scores = cross_val_score(model, X, y, cv=5)
print(scores)
评价指标
常用的分类评价指标有准确率、精确率、召回率和 F1 分数。回归评价指标有均方误差和 R²。
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score
accuracy = accuracy_score(y_test, y_pred)
precision = precision_score(y_test, y_pred, average='weighted')
recall = recall_score(y_test, y_pred, average='weighted')
f1 = f1_score(y_test, y_pred, average='weighted')
print(f"Accuracy: {accuracy}")
print(f"Precision: {precision}")
print(f"Recall: {recall}")
print(f"F1 Score: {f1}")
网格搜索
网格搜索用于调优模型超参数。
from sklearn.model_selection import GridSearchCV
param_grid = {
'n_estimators': [100, 200, 300],
'max_depth': [None, 10, 20]
}
model = RandomForestClassifier()
grid_search = GridSearchCV(model, param_grid, cv=5)
grid_search.fit(X_train, y_train)
print(grid_search.best_params_)
总结
本文详细介绍了 scikit-learn 的基本概念、安装方法、数据预处理、常用机器学习算法、模型评估与选择等内容。通过不断实践和深入学习,你将能够熟练掌握 scikit-learn,并应用于各种机器学习项目。
Happy coding!