【机器学习之 sklearn 基础教程】

机器学习之 sklearn 基础教程

本文章由文心一言生成，由arjunna整合编辑

1. 引言

scikit-learn（通常简写为 sklearn）是 Python 中最受欢迎的机器学习库之一。它提供了各种用于数据预处理、模型训练、评估以及模型选择的工具。本教程将详细介绍 sklearn 的基础用法，帮助你快速上手机器学习。

2. 安装 sklearn

你可以使用 pip 或 conda 来安装 sklearn。以下是使用 pip 安装的命令：

pip install scikit-learn

3. 数据集

3.1 加载数据集

sklearn 自带了一些用于示例和测试的数据集，如鸢尾花数据集（Iris dataset）、波士顿房价数据集（Boston housing dataset）等。以下是如何加载鸢尾花数据集的示例：

from sklearn.datasets import load_iris

iris = load_iris()
X = iris.data  # 特征数据
y = iris.target  # 目标标签

3.2 数据集划分

在训练模型之前，通常需要将数据集划分为训练集和测试集。sklearn 提供了 train_test_split 函数来实现这一功能：

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)

4. 数据预处理

4.1 特征缩放

某些机器学习算法（如支持向量机、K近邻等）对特征的尺度敏感。因此，在进行模型训练之前，通常需要对特征进行缩放。sklearn 提供了 StandardScaler 和 MinMaxScaler 等工具来实现特征缩放。

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

4.2 编码分类特征

如果数据集中包含分类特征（即非数值型特征），则需要将其转换为数值型特征。sklearn 提供了 LabelEncoder（用于单个分类特征）和 OneHotEncoder（用于多个分类特征）等工具来实现这一功能。

5. 模型训练与评估

5.1 模型训练

sklearn 提供了许多内置的机器学习算法，如逻辑回归、支持向量机、决策树等。以下是如何使用 LogisticRegression 算法训练模型的示例：

from sklearn.linear_model import LogisticRegression

model = LogisticRegression()
model.fit(X_train_scaled, y_train)

5.2 模型评估

训练好模型后，我们需要评估其在测试集上的性能。sklea