Python 第三方库：scikit-learn（机器学习工具箱）

scikit-learn 是 Python 生态中最流行的机器学习库之一，提供丰富的算法、工具与接口，用于分类、回归、聚类、降维、模型选择与预处理等任务。

它建立在 NumPy、SciPy 和 matplotlib 之上，具有高性能、易用性和统一 API 设计，是学术研究、工程项目和数据科学的首选库之一。

安装 ：

安装时需确保已安装 numpy、scipy，推荐使用最新版本的 Python 3.x。

pip install scikit-learn

常见应用场景：

（1）监督学习

分类（Classification）、回归（Regression），例如预测用户购买行为、房价、疾病诊断等。

（2）无监督学习

聚类（Clustering）、降维（Dimensionality Reduction），例如市场细分、图像压缩、特征提取。

（3）模型选择与评估

交叉验证、网格搜索（Grid Search）、评分指标等。

（4）数据预处理与特征工程

缩放、标准化、编码、缺失值处理等。

（5）管道（Pipeline）机制

可将数据预处理与模型训练组合成统一流程，便于复现与部署。

◆ ◆ ◆

核心概念

1、Estimator（估计器）

Estimator 是 scikit-learn 中的核心接口，用于实现数据学习与预测。

包括分类器（Classifier）、回归器（Regressor）、聚类器（Clusterer）等。

核心方法：

.fit(X, y)：训练模型

.predict(X)：预测输出

.transform(X)：数据变换（用于预处理或降维）

2、Transformer（转换器）

对数据进行预处理或特征转换，如 StandardScaler、PCA。

核心方法：

.fit(X, y=None)：学习参数

.transform(X)：应用转换

.fit_transform(X, y=None)：拟合并转换

3、Pipeline（管道）

将一系列转换器和最终估计器串联，形成数据处理和建模的完整流程。

4、Model Selection（模型选择）

提供交叉验证、网格搜索、评分评估方法，如 train_test_split、GridSearchCV、cross_val_score。

5、Metrics（评估指标）

用于模型性能评估，包括分类准确率、F1-score、回归均方误差、R² 等。

◆ ◆ ◆

应用举例

例 1：分类任务（鸢尾花数据集）

print("Accuracy:", accuracy_score(y_test, y_pred))

例 2：回归任务（波士顿房价）

print("MSE:", mean_squared_error(y_test, y_pred))

例 3：数据标准化与管道

print("Pipeline Accuracy:", pipe.score(X_test, y_test))

例 4：交叉验证

print("Cross-validation scores:", scores)

例 5：网格搜索优化超参数

print("Best parameters:", grid.best_params_)

◆ ◆ ◆

常用函数与类速览

sklearn.model_selection.train_test_split(*arrays, test_size=None, train_size=None, random_state=None)

拆分数据为训练集与测试集。

参数：

arrays：数据集特征和标签（如 X, y）。

test_size：测试集比例或样本数。

train_size：训练集比例或样本数。

random_state：随机种子。

返回：X_train, X_test, y_train, y_test。

sklearn.ensemble.RandomForestClassifier(n_estimators=100, random_state=None)

随机森林分类器。

参数：

n_estimators：树的数量。

random_state：随机种子。

返回：RandomForestClassifier 实例。

sklearn.linear_model.LinearRegression()

线性回归模型。

返回：LinearRegression 实例。

sklearn.pipeline.Pipeline(steps)

构建管道。

参数：

steps：列表，每个元素为 (name, transformer/estimator)。

返回：Pipeline 对象。

sklearn.model_selection.GridSearchCV(estimator, param_grid, cv=5)

网格搜索与交叉验证。

参数：

estimator：基础模型。

param_grid：参数字典。

cv：交叉验证折数。

返回：GridSearchCV 实例。

sklearn.metrics.accuracy_score(y_true, y_pred)

计算分类准确率。

参数：

y_true：真实标签。

y_pred：预测标签。

返回：浮点数（准确率）。

小结

scikit-learn 提供了完整且统一的机器学习接口，涵盖数据预处理、算法模型、评估与优化。无论是入门数据科学、教学实验，还是构建生产级机器学习系统，它都是 Python 中不可或缺的工具。

“点赞有美意，赞赏是鼓励”