Scikit-learn 简单介绍入门和常用API汇总 - 教程

Scikit-learn 简单介绍和入门示例

1. 概述

Scikit-learn（简称 sklearn）是 Python 生态中最流行的 机器学习库，主要用于传统 ML 任务。它基于 NumPy、SciPy 和 Matplotlib，提供了统一的 API，涵盖 数据预处理、特征工程、模型训练、评估与调优。

定位：

• 适合：中小规模数据，原型验证，教学与科研
• 不适合：海量数据分布式计算（推荐 Spark ML、Dask ML）

---

2. 设计思想

Scikit-learn 遵循 模块化、统一接口、组合化 的原则。
主要接口规范：

• fit(X, y=None)：训练模型 / 学习参数
• predict(X)：预测
• transform(X)：数据变换（特征工程、降维）
• fit_transform(X)：训练并变换（常用于预处理）
• score(X, y)：评估模型
• get_params() / set_params()：超参数管理

统一接口的好处：无论是 SVM、决策树还是 PCA，调用方式都基本相同。

---

3. 模块全景

3.1 数据预处理

• 标准化与归一化：StandardScaler, MinMaxScaler
• 特征选择：SelectKBest, RFE
• 降维：PCA, TruncatedSVD, TSNE

3.2 监督学习

• 分类：

  • 线性：LogisticRegression, SGDClassifier
  • 树模型：DecisionTreeClassifier, RandomForestClassifier, GradientBoostingClassifier
  • SVM：SVC
  • 朴素贝叶斯：GaussianNB

• 回归：

  • 线性：LinearRegression, Ridge, Lasso
  • 树模型：DecisionTreeRegressor, RandomForestRegressor
  • 支持向量回归：SVR

3.3 非监督学习

• 聚类：KMeans, DBSCAN, AgglomerativeClustering, GaussianMixture
• 降维：PCA, NMF

3.4 模型选择与评估

• 交叉验证：cross_val_score, KFold

• 调参：GridSearchCV, RandomizedSearchCV

• 指标：

  • 分类：准确率、精确率、召回率、F1、ROC-AUC
  • 回归：均方误差 (MSE)、R²

3.5 工程工具

• Pipeline：将预处理和模型打包成流水线
• Joblib：模型保存与加载
• 并行计算：内置多核并行支持

---

4. 工作流程

一个典型的 Scikit-learn 项目通常包括：

1. 数据准备：加载、清洗、划分（train_test_split）
2. 预处理：标准化、特征选择、降维
3. 建模：选择分类/回归/聚类算法
4. 评估：使用交叉验证与指标函数
5. 调参：GridSearchCV 或 RandomizedSearchCV
6. 部署：模型持久化 (joblib.dump/load)

---

5. 简单示例

以 鸢尾花分类 为例：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
from sklearn.pipeline import Pipeline
from sklearn.metrics import accuracy_score
# 数据加载
X, y = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
# 构建流水线：标准化 + SVM 分类器
pipeline = Pipeline([
("scaler", StandardScaler()),
("clf", SVC(kernel="linear"))
])
# 训练与预测
pipeline.fit(X_train, y_train)
y_pred = pipeline.predict(X_test)
# 评估
print("Accuracy:", accuracy_score(y_test, y_pred))

---

6. 优势与不足

优势

• 统一 API，学习成本低
• 覆盖大多数传统 ML 算法
• 性能不错，底层部分用 Cython/C++ 优化
• 文档和社区生态完善

不足

• 不支持大规模分布式数据
• 不包含深度学习模型
• 在线学习能力有限（部分算法支持 partial_fit）

---

7. 适用场景

• 原型验证：快速测试不同算法
• 教学与科研：直观 API 适合学习
• 工程应用：中小规模数据的分类/回归/聚类
• 特征工程 + 调参：配合 Pandas/Numpy 使用

---

8.入门示例yanz演示

阶段一：入门（快速上手）

目标：掌握 Scikit-learn 的基本 API，能完成简单的分类/回归任务。

学习要点

• 熟悉 fit / predict / transform 接口
• 使用 train_test_split 划分数据
• 调用常见模型：LinearRegression, LogisticRegression, SVC, KNeighborsClassifier
• 使用 accuracy_score、mean_squared_error 等指标

综合示例：鸢尾花分类

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score
# 数据集
X, y = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
# 模型
clf = LogisticRegression(max_iter=200)
clf.fit(X_train, y_train)
# 预测与评估
y_pred = clf.predict(X_test)
print("Accuracy:", accuracy_score(y_test, y_pred))

---

阶段二：提升（实战技巧）

目标：掌握 Pipeline、特征工程、模型调参，能在真实数据集上完成较复杂的任务。

学习要点

• Pipeline：整合预处理与建模
• 特征工程：StandardScaler, OneHotEncoder, PCA
• 交叉验证：cross_val_score
• 超参数调优：GridSearchCV, RandomizedSearchCV
• 模型选择：比较不同模型性能

综合示例：房价预测（加州房价数据集）

from sklearn.datasets import fetch_california_housing
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.preprocessing import StandardScaler
from sklearn.ensemble import RandomForestRegressor
from sklearn.pipeline import Pipeline
from sklearn.metrics import mean_squared_error
# 数据集
X, y = fetch_california_housing(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 流水线：标准化 + 随机森林
pipe = Pipeline([
("scaler", StandardScaler()),
("rf", RandomForestRegressor(random_state=42))
])
# 超参数搜索
param_grid = {
"rf__n_estimators": [50, 100],
"rf__max_depth": [10, 20, None]
}
grid = GridSearchCV(pipe, param_grid, cv=3, scoring="neg_mean_squared_error")
grid.fit(X_train, y_train)
# 预测与评估
y_pred = grid.predict(X_test)
print("Best params:", grid.best_params_)
print("MSE:", mean_squared_error(y_test, y_pred))

---

阶段三：高级（综合应用）

目标：能 系统性构建机器学习项目，包括数据预处理、特征选择、模型集成、结果可视化与解释。

学习要点

• 特征选择：SelectKBest, RFE
• 集成学习：VotingClassifier, StackingClassifier
• 概率估计与模型校准：CalibratedClassifierCV
• 模型解释：permutation_importance, PartialDependenceDisplay
• 保存与部署：joblib.dump, joblib.load

综合示例：信用卡客户违约预测（分类任务）

import joblib
import pandas as pd
from sklearn.model_selection import train_test_split, RandomizedSearchCV
from sklearn.preprocessing import StandardScaler
from sklearn.feature_selection import SelectKBest, f_classif
from sklearn.ensemble import RandomForestClassifier, GradientBoostingClassifier, VotingClassifier
from sklearn.pipeline import Pipeline
from sklearn.metrics import classification_report
# 假设已加载信用卡客户数据 (X: 特征, y: 是否违约)
data = pd.read_csv("credit_card.csv")
X = data.drop("default", axis=1)
y = data["default"]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42, stratify=y)
# 流水线：预处理 + 特征选择 + 集成学习
pipe = Pipeline([
("scaler", StandardScaler()),
("select", SelectKBest(score_func=f_classif, k=10)),
("clf", VotingClassifier(estimators=[
("rf", RandomForestClassifier(random_state=42)),
("gb", GradientBoostingClassifier(random_state=42))
], voting="soft"))
])
# 随机搜索调参
param_dist = {
"clf__rf__n_estimators": [100, 200],
"clf__gb__learning_rate": [0.05, 0.1]
}
search = RandomizedSearchCV(pipe, param_dist, cv=3, scoring="f1", n_iter=4, random_state=42)
search.fit(X_train, y_train)
# 预测与评估
y_pred = search.predict(X_test)
print("Best params:", search.best_params_)
print(classification_report(y_test, y_pred))
# 模型保存
joblib.dump(search.best_estimator_, "credit_model.pkl")

---

总结

• 入门：掌握 API + 简单模型（Logistic/SVC/LinearRegression）
• 提升：学会 Pipeline、特征工程、调参（GridSearchCV/RandomizedSearchCV）
• 高级：综合应用，能做完整 ML 项目（特征选择 + 集成学习 + 模型解释 + 部署）

---

Scikit-learn 常用 API 汇总

1️、数据集工具

from sklearn import datasets
from sklearn.model_selection import train_test_split

• datasets.load_iris()：鸢尾花分类
• datasets.load_digits()：手写数字识别
• datasets.fetch_california_housing()：加州房价数据
• datasets.make_classification()：生成分类数据
• datasets.make_regression()：生成回归数据
• train_test_split(X, y, test_size=0.2, random_state=42)：划分训练/测试集

---

2️、数据预处理

from sklearn.preprocessing import StandardScaler, MinMaxScaler, Normalizer
from sklearn.preprocessing import OneHotEncoder, LabelEncoder

• 标准化：StandardScaler().fit_transform(X)
• 归一化：MinMaxScaler().fit_transform(X)
• 正则化：Normalizer().fit_transform(X)
• 独热编码：OneHotEncoder().fit_transform(X)
• 标签编码：LabelEncoder().fit_transform(y)

---

3️、特征工程

from sklearn.feature_selection import SelectKBest, f_classif, RFE
from sklearn.decomposition import PCA

• 特征选择：SelectKBest(score_func=f_classif, k=10).fit_transform(X, y)
• 递归特征消除：RFE(estimator, n_features_to_select=5).fit_transform(X, y)
• 主成分分析：PCA(n_components=2).fit_transform(X)

---

4️、常用模型

分类

from sklearn.linear_model import LogisticRegression
from sklearn.svm import SVC
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier, GradientBoostingClassifier
from sklearn.naive_bayes import GaussianNB
from sklearn.neighbors import KNeighborsClassifier

• 逻辑回归：LogisticRegression()
• 支持向量机：SVC(kernel="linear")
• 决策树：DecisionTreeClassifier()
• 随机森林：RandomForestClassifier(n_estimators=100)
• 梯度提升：GradientBoostingClassifier()
• 朴素贝叶斯：GaussianNB()
• 最近邻：KNeighborsClassifier(n_neighbors=5)

回归

from sklearn.linear_model import LinearRegression, Ridge, Lasso
from sklearn.svm import SVR
from sklearn.ensemble import RandomForestRegressor

• 线性回归：LinearRegression()
• 岭回归：Ridge(alpha=1.0)
• Lasso 回归：Lasso(alpha=0.1)
• 支持向量回归：SVR(kernel="rbf")
• 随机森林回归：RandomForestRegressor(n_estimators=100)

聚类 / 非监督学习

from sklearn.cluster import KMeans, DBSCAN, AgglomerativeClustering
from sklearn.mixture import GaussianMixture

• KMeans 聚类：KMeans(n_clusters=3)
• DBSCAN：DBSCAN(eps=0.5, min_samples=5)
• 层次聚类：AgglomerativeClustering(n_clusters=3)
• 高斯混合模型：GaussianMixture(n_components=3)

---

5️、模型评估

from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, roc_auc_score
from sklearn.metrics import confusion_matrix, classification_report
from sklearn.metrics import mean_squared_error, r2_score

• 分类指标：

  • accuracy_score(y_true, y_pred)
  • precision_score(y_true, y_pred)
  • recall_score(y_true, y_pred)
  • f1_score(y_true, y_pred)
  • roc_auc_score(y_true, y_prob)
  • classification_report(y_true, y_pred)

• 回归指标：

  • mean_squared_error(y_true, y_pred)
  • r2_score(y_true, y_pred)

• 混淆矩阵：confusion_matrix(y_true, y_pred)

---

6️、模型选择与调参

from sklearn.model_selection import cross_val_score, KFold, StratifiedKFold
from sklearn.model_selection import GridSearchCV, RandomizedSearchCV

• 交叉验证：cross_val_score(model, X, y, cv=5)

• K 折：KFold(n_splits=5)

• 分层 K 折：StratifiedKFold(n_splits=5)

• 网格搜索：

  GridSearchCV(estimator, param_grid, cv=3, scoring="accuracy")

• 随机搜索：

  RandomizedSearchCV(estimator, param_distributions, cv=3, n_iter=10)

---

7️、工程工具

from sklearn.pipeline import Pipeline
import joblib

• 流水线：

  pipe = Pipeline([
  ("scaler", StandardScaler()),
  ("clf", SVC())
  ])

• 模型保存：joblib.dump(model, "model.pkl")

• 模型加载：model = joblib.load("model.pkl")

---