【python】sklearn基础教程及示例

【python】sklearn基础教程及示例

Scikit-learn（简称sklearn）是一个非常流行的Python机器学习库，提供了许多常用的机器学习算法和工具。以下是一个基础教程的概述：

 1. 安装scikit-learn

首先，确保你已经安装了Python和pip，然后使用以下命令安装scikit-learn：

pip install -U scikit-learn

2. 导入库

在你的Python脚本或Jupyter Notebook中，首先导入scikit-learn库：

import sklearn

3. 加载数据

你可以加载各种数据集，包括样本数据集和真实世界数据集。例如，加载经典的鸢尾花数据集：

from sklearn.datasets import load_iris
iris = load_iris()
X = iris.data  # 特征矩阵
y = iris.target  # 目标向量

4. 数据预处理

在应用机器学习算法之前，通常需要进行一些数据预处理，例如特征缩放、特征选择、数据清洗等。以下是一些常用的数据预处理方法：

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

5. 数据拆分

将数据集拆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, y, test_size=0.2, random_state=42)

6. 建立模型

使用各种机器学习算法来建立模型，例如逻辑回归：

from sklearn.linear_model import LogisticRegression
model = LogisticRegression()
model.fit(X_train, y_train)

7. 模型评估

在训练模型之后，评估模型的性能，例如使用准确度评估：

from sklearn.metrics import accuracy_score
y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy}")

8. 交叉验证

使用交叉验证来评估模型的稳定性和泛化能力：

from sklearn.model_selection import cross_validate
result = cross_validate(model, X, y, cv=5)
print(result['test_score'])

sklearn示例

1.简单例子：鸢尾花分类

这是一个经典的机器学习任务，用于分类鸢尾花的种类。

load_iris 是一个经典的机器学习数据集，通常用于分类和聚类任务。这个数据集包含了三种不同种类的鸢尾花（Iris Setosa、Iris Versicolour 和 Iris Virginica）的信息，每种鸢尾花有四个特征：花萼长度、花萼宽度、花瓣长度和花瓣宽度。

具体来说，load_iris 数据集包含以下内容：

• 150个样本：每种鸢尾花各50个样本。
• 4个特征：花萼长度、花萼宽度、花瓣长度和花瓣宽度。
• 目标标签：每个样本的目标类别标签，分别为0（Setosa）、1（Versicolour）和2（Virginica）。
• StandardScaler 是 scikit-learn 库中的一个类，用于对数据进行标准化处理。标准化的目的是将数据的特征缩放到相同的尺度，通常是均值为0，标准差为1。这对于许多机器学习算法来说是非常重要的，特别是那些基于距离的算法（如K-近邻、支持向量机等）和需要计算协方差矩阵的算法（如PCA、线性回归等）。

# 导入必要的库
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target

# 数据预处理
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 拆分数据集
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42)

# 建立和训练模型
model = LogisticRegression()
model.fit(X_train, y_train)

# 预测和评估
y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy}")

2.复杂例子：手写数字识别

这个例子使用手写数字数据集，并应用支持向量机（SVM）进行分类。

load_digits 是 scikit-learn 提供的一个经典数据集，用于手写数字识别任务。这个数据集包含了 0 到 9 共 10 个数字的手写图像，每个图像是一个 8x8 的灰度图像。

• 数据集内容 样本数量：1797 个手写数字图像。
• 特征维度：每个图像有 64 个特征（8x8 像素）。
• 特征值：每个特征值是一个整数，范围从 0 到 16，表示像素的灰度值。
• 目标标签：每个样本对应一个目标标签，表示数字 0 到 9。

# 导入必要的库
from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
from sklearn.metrics import classification_report

# 加载数据集
digits = load_digits()
X = digits.data
y = digits.target

# 数据预处理
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 拆分数据集
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42)

# 使用网格搜索进行超参数调优
param_grid = {'C': [0.1, 1, 10, 100], 'gamma': [1, 0.1, 0.01, 0.001]}
grid = GridSearchCV(SVC(), param_grid, refit=True, verbose=2)
grid.fit(X_train, y_train)

# 最佳参数和模型评估
print(f"Best Parameters: {grid.best_params_}")
y_pred = grid.predict(X_test)
print(classification_report(y_test, y_pred))

在这个复杂的例子中，我们使用了网格搜索（GridSearchCV）来找到支持向量机（SVM）的最佳超参数，并使用分类报告（classification_report）来评估模型的性能。

• param_grid：这是一个字典，定义了要搜索的参数范围。在这个例子中，我们要调整两个参数：
  • C：正则化参数，控制模型的复杂度。较小的 C 值会使模型更简单，但可能欠拟合；较大的 C 值会使模型更复杂，但可能过拟合。
  • gamma：核函数系数，控制单个训练样本的影响范围。较大的 gamma 值会使模型更复杂，但可能过拟合；较小的 gamma 值会使模型更简单，但可能欠拟合。

• GridSearchCV：这是 scikit-learn 提供的一个工具，用于通过交叉验证来搜索最佳参数组合。
  • SVC()：支持向量机分类器。
  • param_grid：要搜索的参数网格。
  • refit=True：在找到最佳参数组合后，使用整个训练集重新训练模型。
  • verbose=2：设置详细程度，输出更多的搜索过程信息。