Python面试题：结合Python技术，如何使用Scikit-learn进行监督学习和无监督学习

使用Scikit-learn进行监督学习和无监督学习可以帮助我们构建和评估机器学习模型。下面将分别介绍如何使用Scikit-learn进行这两种类型的学习。

监督学习

监督学习需要训练数据的特征和目标标签。Scikit-learn提供了多种监督学习算法，如线性回归、决策树、支持向量机等。以下是一个简单的监督学习流程示例，使用线性回归进行预测：

安装Scikit-learn：

确保已安装Scikit-learn库：
bash 复制代码
```
pip install scikit-learn
```

加载数据：

可以使用Scikit-learn自带的数据集，或者加载自己的数据集。这里以波士顿房价数据集为例：

python 复制代码

from sklearn.datasets import load_boston
import pandas as pd
from sklearn.model_selection import train_test_split

# 加载波士顿房价数据集
boston = load_boston()
X = pd.DataFrame(boston.data, columns=boston.feature_names)
y = pd.Series(boston.target)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

构建模型：

以线性回归为例：

python 复制代码

from sklearn.linear_model import LinearRegression

# 初始化线性回归模型
model = LinearRegression()

# 训练模型
model.fit(X_train, y_train)

评估模型：

使用测试集评估模型性能：

python 复制代码

from sklearn.metrics import mean_squared_error, r2_score

# 预测
y_pred = model.predict(X_test)

# 计算均方误差和R²得分
mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)

print(f'Mean Squared Error: {mse}')
print(f'R² Score: {r2}')

无监督学习

无监督学习不需要目标标签，常用于聚类和降维任务。Scikit-learn提供了多种无监督学习算法，如K-means、PCA等。以下是一个简单的无监督学习流程示例，使用K-means进行聚类：

加载数据：

使用Iris数据集进行聚类分析：

python 复制代码

from sklearn.datasets import load_iris

# 加载Iris数据集
iris = load_iris()
X = iris.data

构建模型：

以K-means聚类为例：

python 复制代码

from sklearn.cluster import KMeans

# 初始化K-means模型，设定聚类数为3
kmeans = KMeans(n_clusters=3, random_state=42)

# 训练模型
kmeans.fit(X)

分析结果：

查看聚类结果和聚类中心：

python 复制代码

# 获取聚类标签
labels = kmeans.labels_

# 获取聚类中心
centers = kmeans.cluster_centers_

print(f'Cluster Centers:\n{centers}')

可视化结果：

可以使用matplotlib进行结果可视化：

python 复制代码

import matplotlib.pyplot as plt

# 可视化聚类结果
plt.scatter(X[:, 0], X[:, 1], c=labels, cmap='viridis')
plt.scatter(centers[:, 0], centers[:, 1], c='red', marker='x')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.title('K-means Clustering')
plt.show()

总结

以上是使用Scikit-learn进行监督学习和无监督学习的基本流程。通过这些步骤，您可以快速实现各种机器学习模型的训练、评估和可视化。Scikit-learn还提供了其他多种算法和工具，适用于不同的机器学习任务，可以根据具体需求进行选择和应用。