sklearn基础教程

Scikit-learn（sklearn）是一个流行的机器学习库，提供了许多用于机器学习任务的工具和算法。下面是一个简单的基础教程，介绍如何使用 sklearn 进行常见的机器学习任务。

1. 安装和导入

首先，确保你已经安装了 sklearn 库。如果没有安装，可以通过 pip 进行安装：

pip install scikit-learn

然后在 Python 脚本或交互式环境中导入 sklearn：

import sklearn

2. 数据准备

在使用 sklearn 进行机器学习任务之前，通常需要加载和准备数据。sklearn 提供了一些内置的数据集，也可以使用 Pandas、NumPy 等库加载自定义数据集。

from sklearn.datasets import load_iris
import pandas as pd

加载示例数据集（鸢尾花数据集）

iris = load_iris()

转换为 Pandas DataFrame 方便处理

X = pd.DataFrame(iris.data, columns=iris.feature_names)
y = iris.target

3. 划分数据集

通常，我们会将数据集分为训练集和测试集，用于模型训练和评估。sklearn 提供了 train_test_split 函数来完成这个任务。

from sklearn.model_selection import train_test_split

划分数据集

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

4. 选择模型和训练

在 sklearn 中，模型是通过创建一个模型对象，然后使用 fit 方法来训练该模型。

from sklearn.linear_model import LogisticRegression

创建模型对象

model = LogisticRegression(max_iter=200)

训练模型

model.fit(X_train, y_train)

5. 模型评估

使用测试集评估模型的性能，可以使用 predict 方法来进行预测，然后使用评估指标来评估预测的准确性。

from sklearn.metrics import accuracy_score

预测

y_pred = model.predict(X_test)

计算准确率

accuracy = accuracy_score(y_test, y_pred)
print(f'Accuracy: {accuracy:.2f}')

6. 其他常见任务

除了上述步骤外，sklearn 还支持许多其他常见的机器学习任务，如特征工程、交叉验证、超参数调优等。可以根据具体的需求和任务来选择适当的模块和函数进行使用。

完整代码

将数据准备、模型训练和评估步的示例代码，sklearn基础教程