入门 scikit-learn：简单示例与基本概念

入门 scikit-learn：简单示例与基本概念

1. 简介

什么是 Scikit-learn？

scikit-learn（简称 sklearn）是一个用于机器学习的 Python 库。它建立在 NumPy、SciPy 和 matplotlib 之上，提供了简单且高效的工具，用于数据挖掘和数据分析，是构建机器学习模型的理想选择。

安装 Scikit-learn

在开始之前，你需要确保 scikit-learn 已经安装在你的环境中。你可以使用以下命令安装 scikit-learn：

pip install scikit-learn

安装完成后，你可以通过以下命令来验证安装是否成功：

import sklearn
print(sklearn.__version__)

2. 基本概念

在使用 scikit-learn 进行机器学习任务之前，了解一些基本概念是很重要的。以下是一些关键概念：

数据集

数据集是进行机器学习的基础。scikit-learn 提供了一些内置的数据集，方便我们进行学习和测试。例如，经典的鸢尾花数据集（Iris Dataset）。

from sklearn.datasets import load_iris

iris = load_iris()
print(iris.keys())

特征和标签

在机器学习中，特征（Features）是用来描述数据的属性，而标签（Labels）是我们想要预测的目标。例如，在鸢尾花数据集中，特征包括花瓣的长度和宽度，而标签是花的种类。

X = iris.data  # 特征
y = iris.target  # 标签
print("Features:", X[:5])
print("Labels:", y[:5])

数据预处理

数据预处理是机器学习的一个重要步骤，包括数据清洗、标准化、缺失值处理等。scikit-learn 提供了一系列工具来帮助我们进行数据预处理。

标准化

标准化是将特征缩放到相同的范围内，通常是 0 到 1 或者是标准正态分布（均值为 0，方差为 1）。

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
print("Scaled Features:", X_scaled[:5])

3. 数据拆分

在进行模型训练之前，我们需要将数据集拆分为训练集和测试集。训练集用于训练模型，而测试集用于评估模型的性能。

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)
print("Training set size:", X_train.shape[0])
print("Test set size:", X_test.shape[0])

4. 模型训练

scikit-learn 提供了多种机器学习算法，我们可以选择适合的算法来训练模型。这里我们以 K 近邻（K-Nearest Neighbors, KNN）算法为例。

from sklearn.neighbors import KNeighborsClassifier

# 创建 KNN 模型
knn = KNeighborsClassifier(n_neighbors=3)

# 训练模型
knn.fit(X_train, y_train)

5. 模型评估

训练完成后，我们需要评估模型的性能。常见的评估指标包括准确率（Accuracy）、精确率（Precision）、召回率（Recall）等。这里我们使用准确率作为评估指标。

from sklearn.metrics import accuracy_score

# 使用测试集进行预测
y_pred = knn.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

6. 综合示例

以下是一个综合示例，将上述所有步骤整合到一起，完整展示使用 scikit-learn 进行机器学习的过程。

import numpy as np
from sklearn.datasets import load_iris
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
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)

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

# 模型训练
knn = KNeighborsClassifier(n_neighbors=3)
knn.fit(X_train, y_train)

# 模型评估
y_pred = knn.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)

print("Model Accuracy:", accuracy)

7. 总结

在本章中，我们介绍了 scikit-learn 的基本概念和使用方法，包括数据集的加载、数据预处理、数据拆分、模型训练和模型评估。通过一个完整的示例，我们展示了如何使用 scikit-learn 进行机器学习任务。希望通过本章的学习，你能对 scikit-learn 有一个初步的了解，并能够开始使用它进行简单的机器学习任务。

---