Scikit-learn学习

最新推荐文章于 2025-03-31 20:59:23 发布

Handsome coder

最新推荐文章于 2025-03-31 20:59:23 发布

阅读量353

点赞数

分类专栏：机器学习文章标签：机器学习算法

本文链接：https://blog.youkuaiyun.com/liaozhaocong/article/details/116274952

版权

这篇教程介绍了scikit-learn库的主要功能，包括estimator的fitting和predicting，预处理步骤，转换器，管道，模型评估和自动参数搜索。通过实例展示了如何使用RandomForestClassifier和Pipeline，以及交叉验证和超参数调优。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、目的

这份指导书的目的是为了说明scikit-learn提供的主要features，这是机器学习实践的基本知识，首先你的先按照scikit-learn库。
scikit-learn是一个开源的机器学习库，支持监督学习和非监督学习，它提供不同的工具来训练模型、数据预处理、模型选择和评估等。

二、Fitting and predicting: estimator basics

scikit-learn提供了很多机器学习算法和模型，叫做estimators，每个estimator 可以用来fit一些数据。
Here is a simple example where we fit a RandomForestClassifier to some very basic data:

from sklearn.ensemble import RandomForestClassifier
clf = RandomForestClassifier(random_state=0)
X = [[ 1,  2,  3],  # 2 samples, 3 features
     [11, 12, 13]]
y = [0, 1]  # classes of each sample
clf.fit(X, y)

fit方法通常接受两个输入：
1.样本矩阵X，矩阵C的尺寸为（n_samples，n_features），这意味着样本代表行书（rows）特征代表列数（columns）
2.目标值y是实数回归任务或者是要分个类别
一旦estimator训练完成，就可以用来预测新个目标值，你不必重新训练estimator。

clf.predict(X)  # predict classes of the training data

clf.predict([[4, 5, 6], [14, 15

最低0.47元/天解锁文章