Scikit-Learn 是一个广泛使用的 Python 机器学习库，旨在为数据科学和机器学习任务提供简洁、高效的工具。本文将介绍 Scikit-Learn 的安装、基本使用以及一些常见的机器学习任务的实现方法。
安装 Scikit-Learn
安装 Scikit-Learn 非常简单，只需使用 pip 包管理器即可：
pip install scikit-learn
安装完成后，可以通过以下命令验证安装是否成功：
import sklearn
print(sklearn.__version__)
Scikit-Learn 的基本使用
下面我们将通过一个简单的线性回归示例来介绍 Scikit-Learn 的基本使用方法。
导入必要的库
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error
准备数据
我们生成一些随机数据作为示例：
# 生成随机数据
X = np.random.rand(100, 1) * 10 # 特征
y = 2.5 * X + np.random.randn(100, 1) * 2 # 标签
拆分数据集
将数据集拆分为训练集和测试集：
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
训练模型
使用线性回归模型进行训练：
model = LinearRegression()
model.fit(X_train, y_train)
预测与评估
使用训练好的模型进行预测，并计算均方误差：
y_pred = model.predict(X_test)
mse = mean_squared_error(y_test, y_pred)
print(f'Mean Squared Error: {mse}')
Scikit-Learn 的主要功能
监督学习
Scikit-Learn 提供了多种常见的监督学习算法，包括回归和分类任务。
回归
- 线性回归（Linear Regression）
- 决策树回归（Decision Tree Regression）
- 支持向量回归（Support Vector Regression）
- 岭回归（Ridge Regression）
from sklearn.linear_model import Ridgeridge_model = Ridge()
ridge_model.fit(X_train, y_train)
分类
- 逻辑回归（Logistic Regression）
- K 近邻（K-Nearest Neighbors, KNN）
- 支持向量机（Support Vector Machine, SVM）
- 随机森林（Random Forest）
from sklearn.ensemble import RandomForestClassifierclf = RandomForestClassifier()
clf.fit(X_train, y_train)
无监督学习
Scikit-Learn 还包括多种无监督学习算法，用于聚类和降维。
聚类
- K 均值聚类（K-Means Clustering）
- 层次聚类（Hierarchical Clustering）
- DBSCAN（Density-Based Spatial Clustering of Applications with Noise）
from sklearn.cluster import KMeanskmeans = KMeans(n_clusters=3)
kmeans.fit(X)
降维
- 主成分分析（Principal Component Analysis, PCA）
- t-SNE（t-Distributed Stochastic Neighbor Embedding）
from sklearn.decomposition import PCApca = PCA(n_components=2)
X_reduced = pca.fit_transform(X)
模型选择与评估
Scikit-Learn 提供了多种工具用于模型选择、交叉验证和参数调优。
交叉验证
- K 折交叉验证（K-Fold Cross Validation）
- 留一法交叉验证（Leave-One-Out Cross Validation）
from sklearn.model_selection import cross_val_scorescores = cross_val_score(model, X, y, cv=5)
超参数调优
- 网格搜索（Grid Search）
- 随机搜索（Random Search）
from sklearn.model_selection import GridSearchCVparam_grid = {'alpha': [0.1, 1, 10]}
grid_search = GridSearchCV(Ridge(), param_grid, cv=5)
grid_search.fit(X_train, y_train)
数据预处理
数据预处理是机器学习管道中的重要一环，Scikit-Learn 提供了丰富的数据预处理工具。
标准化与归一化
- 标准化（Standardization）
- 归一化（Normalization）
from sklearn.preprocessing import StandardScalerscaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
缺失值填补
- 使用均值、中位数或众数填补缺失值
from sklearn.impute import SimpleImputerimputer = SimpleImputer(strategy='mean')
X_imputed = imputer.fit_transform(X)
编码分类变量
- 独热编码（One-Hot Encoding）
from sklearn.preprocessing import OneHotEncoderencoder = OneHotEncoder()
X_encoded = encoder.fit_transform(X_categorical)
管道（Pipeline）
Scikit-Learn 的管道工具允许将多个步骤链接在一起，形成一个完整的工作流。这样可以简化代码，并确保数据处理的正确性。
from sklearn.pipeline import Pipelinepipeline = Pipeline([('scaler', StandardScaler()),('regressor', LinearRegression())
])pipeline.fit(X_train, y_train)
y_pred = pipeline.predict(X_test)
结论
通过本教程的介绍，你应该对 Scikit-Learn 的安装和基本使用有了初步的了解。Scikit-Learn 是一个功能强大且易于使用的机器学习库，适合从入门到高级的各种机器学习任务。更多详细信息和高级用法，可以参考