Python 课程20-Scikit-learn

可愛小吉2024-09-27 8:10

前言

Scikit-learn 是 Python 中最流行的机器学习库之一，它提供了多种用于监督学习和无监督学习的算法。Scikit-learn 的特点是简单易用、模块化且具有高效的性能。无论是初学者还是专业开发者，都可以借助它进行快速原型设计和模型开发。

在本教程中，我们将深入讲解 Scikit-learn 的基础操作、数据预处理、模型构建与调优、以及常用的机器学习算法，包括线性回归、决策树、支持向量机、聚类等。通过这份详细教程，你将掌握如何使用 Scikit-learn 构建高效的机器学习模型。

目录

前言

目录

[1. Scikit-learn 基础](#1. Scikit-learn 基础)

[安装 Scikit-learn](#安装 Scikit-learn)

[Scikit-learn API 概述](#Scikit-learn API 概述)

数据集导入与基本操作

[2. 数据预处理](#2. 数据预处理)

数据标准化与归一化

处理缺失数据

类别特征编码

数据拆分与交叉验证

[3. 监督学习](#3. 监督学习)

线性回归

逻辑回归

支持向量机（SVM）

决策树与随机森林

[4. 无监督学习](#4. 无监督学习)

[K-means 聚类](#K-means 聚类)

主成分分析（PCA）

[DBSCAN 聚类](#DBSCAN 聚类)

[5. 模型评估与调优](#5. 模型评估与调优)

模型评估指标

交叉验证

网格搜索与随机搜索

[6. 高级功能](#6. 高级功能)

管道（Pipeline）机制

自定义评分函数与模型

[示例：使用 Scikit-learn 进行鸢尾花分类](#示例：使用 Scikit-learn 进行鸢尾花分类)

[步骤 1：加载数据集](#步骤 1：加载数据集)

[步骤 2：数据预处理](#步骤 2：数据预处理)

[步骤 4：评估模型](#步骤 4：评估模型)

[步骤 5：交叉验证与网格搜索调优](#步骤 5：交叉验证与网格搜索调优)

[步骤 6：使用最佳模型进行预测](#步骤 6：使用最佳模型进行预测)

结论

1. Scikit-learn 基础

安装 Scikit-learn

使用 pip 安装 Scikit-learn：

pip install scikit-learn

Scikit-learn 依赖于 NumPy 、SciPy 和 matplotlib，确保这些库已经安装。

Scikit-learn API 概述

Scikit-learn 的核心是统一的 API 设计，包括三个主要步骤：

  1. 模型初始化：实例化模型。

  2. 模型拟合 ：使用 .fit() 方法训练模型。

  3. 预测与评估 ：通过 .predict() 进行预测，使用评估函数进行性能评估。

    from sklearn.linear_model import LinearRegression

    初始化模型

    model = LinearRegression()

    拟合模型

    model.fit(X_train, y_train)

    进行预测

    predictions = model.predict(X_test)

数据集导入与基本操作

Scikit-learn 提供了一些内置的数据集，如 Iris、Boston Housing 和 Digits，你可以轻松导入并使用这些数据集。

  • 加载内置数据集：

    from sklearn import datasets

    加载 Iris 数据集

    iris = datasets.load_iris()
    X, y = iris.data, iris.target

还可以通过 Pandas 读取 CSV 文件等外部数据集：

import pandas as pd

# 从 CSV 文件读取数据
df = pd.read_csv('data.csv')
X = df.drop(columns=['target'])
y = df['target']

2. 数据预处理

在机器学习中，数据预处理是至关重要的步骤。Scikit-learn 提供了多种工具来处理缺失值、标准化数据和编码类别特征。

数据标准化与归一化

机器学习模型通常要求输入数据进行标准化或归一化，以确保所有特征具有相同的尺度。

  • 标准化：通过移除平均值并缩放到单位方差。

    from sklearn.preprocessing import StandardScaler

    scaler = StandardScaler()
    X_scaled = scaler.fit_transform(X)

  • 归一化：将特征值缩放到 [0, 1] 范围。

    from sklearn.preprocessing import MinMaxScaler

    scaler = MinMaxScaler()
    X_normalized = scaler.fit_transform(X)

处理缺失数据

你可以使用 SimpleImputer 处理数据中的缺失值。

from sklearn.impute import SimpleImputer

# 用均值填充缺失值
imputer = SimpleImputer(strategy='mean')
X_imputed = imputer.fit_transform(X)
类别特征编码

对于类别型特征，OneHotEncoder 和 LabelEncoder 是常用的工具。

  • OneHotEncoder：将类别特征编码为多个二进制列。

    from sklearn.preprocessing import OneHotEncoder

    encoder = OneHotEncoder(sparse=False)
    X_encoded = encoder.fit_transform(X)

数据拆分与交叉验证

在训练模型前，你需要将数据集拆分为训练集和测试集，以便评估模型的泛化能力。

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)

3. 监督学习

线性回归

线性回归 是最基础的回归算法之一，用于预测连续值。

from sklearn.linear_model import LinearRegression

# 创建线性回归模型
model = LinearRegression()

# 拟合模型
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)
逻辑回归

逻辑回归 用于二分类或多分类任务。

from sklearn.linear_model import LogisticRegression

# 创建逻辑回归模型
model = LogisticRegression()

# 拟合模型
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)
支持向量机（SVM）

支持向量机可以用于分类、回归和异常检测任务。

from sklearn.svm import SVC

# 创建支持向量机模型
model = SVC(kernel='linear')

# 拟合模型
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)
决策树与随机森林

决策树 是一种简单但强大的模型，随机森林 是基于多个决策树的集成模型。

  • 决策树：

    from sklearn.tree import DecisionTreeClassifier

    model = DecisionTreeClassifier()
    model.fit(X_train, y_train)

  • 随机森林：

    from sklearn.ensemble import RandomForestClassifier

    model = RandomForestClassifier()
    model.fit(X_train, y_train)

4. 无监督学习

K-means 聚类

K-means 是一种常见的聚类算法，用于将数据划分为 K 个簇。

from sklearn.cluster import KMeans

model = KMeans(n_clusters=3)
model.fit(X)
labels = model.predict(X)
主成分分析（PCA）

主成分分析 是一种降维技术，用于减少数据的特征维度，同时保留数据的主要信息。

from sklearn.decomposition import PCA

pca = PCA(n_components=2)
X_pca = pca.fit_transform(X)
DBSCAN 聚类

DBSCAN 是一种基于密度的聚类算法，能够处理噪声和形状不规则的簇。

from sklearn.cluster import DBSCAN

model = DBSCAN(eps=0.5, min_samples=5)
labels = model.fit_predict(X)

5. 模型评估与调优

模型评估指标

  • 分类任务常用指标：准确率、精确率、召回率、F1 分数。

    from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score

    准确率

    accuracy = accuracy_score(y_test, y_pred)

    精确率、召回率、F1 分数

    precision = precision_score(y_test, y_pred, average='macro')
    recall = recall_score(y_test, y_pred, average='macro')
    f1 = f1_score(y_test, y_pred, average='macro')

  • 回归任务常用指标：均方误差、平均绝对误差、R² 分数。

    from sklearn.metrics import mean_squared_error, r2_score

    均方误差和 R² 分数

    mse = mean_squared_error(y_test, y_pred)
    r2 = r2_score(y_test, y_pred)

交叉验证

交叉验证可以帮助你评估模型在不同数据划分下的性能。

from sklearn.model_selection import cross_val_score

scores = cross_val_score(model, X, y, cv=5)
print("Cross-validation scores:", scores)
网格搜索与随机搜索

通过 GridSearchCV 和 RandomizedSearchCV 可以自动化地进行超参数调优。

  • 网格搜索：

    from sklearn.model_selection import GridSearchCV

    param_grid = {'C': [0.1, 1, 10], 'kernel': ['linear', 'rbf']}
    model = SVC()
    grid_search = GridSearchCV(model, param_grid, cv=5)
    grid_search.fit(X_train, y_train)

    print("最佳参数:", grid_search.best_params_)
    print("最佳得分:", grid_search.best_score_)

在上述示例中，GridSearchCV 会尝试不同的参数组合，通过交叉验证选择性能最好的模型。

  • 随机搜索：

    from sklearn.model_selection import RandomizedSearchCV
    from scipy.stats import uniform

    param_dist = {'C': uniform(0.1, 10), 'kernel': ['linear', 'rbf']}
    model = SVC()
    random_search = RandomizedSearchCV(model, param_distributions=param_dist, n_iter=10, cv=5, random_state=42)
    random_search.fit(X_train, y_train)

    print("最佳参数:", random_search.best_params_)
    print("最佳得分:", random_search.best_score_)

RandomizedSearchCV 在参数空间较大时效率更高，因为它只随机采样参数组合。

6. 高级功能

管道（Pipeline）机制

Pipeline 机制允许将数据预处理和模型训练步骤串联起来，简化工作流程并避免数据泄漏。

  • 创建管道：

    from sklearn.pipeline import Pipeline
    from sklearn.preprocessing import StandardScaler
    from sklearn.svm import SVC

    pipeline = Pipeline([
    ('scaler', StandardScaler()),
    ('svc', SVC())
    ])

    pipeline.fit(X_train, y_train)
    predictions = pipeline.predict(X_test)

  • 在管道中进行参数调优：

    from sklearn.model_selection import GridSearchCV

    param_grid = {
    'svc__C': [0.1, 1, 10],
    'svc__kernel': ['linear', 'rbf']
    }

    grid_search = GridSearchCV(pipeline, param_grid, cv=5)
    grid_search.fit(X_train, y_train)

    print("最佳参数:", grid_search.best_params_)

在参数网格中，使用 步骤名称__参数名 的形式指定参数。

自定义评分函数与模型
  • 自定义评分函数：

你可以定义自己的评分函数，用于模型评估和选择。

from sklearn.metrics import make_scorer, fbeta_score

# 定义自定义评分函数
fbeta_scorer = make_scorer(fbeta_score, beta=0.5)

# 在 GridSearchCV 中使用自定义评分函数
grid_search = GridSearchCV(model, param_grid, scoring=fbeta_scorer, cv=5)
  • 自定义模型：

如果 Scikit-learn 没有满足你需求的模型，你可以创建自定义模型，只要遵循 fit 和 predict 方法的接口。

from sklearn.base import BaseEstimator, ClassifierMixin

class MyCustomModel(BaseEstimator, ClassifierMixin):
    def __init__(self, param=1):
        self.param = param

    def fit(self, X, y):
        # 自定义训练逻辑
        return self

    def predict(self, X):
        # 自定义预测逻辑
        return predictions

示例：使用 Scikit-learn 进行鸢尾花分类

我们将使用 Scikit-learn 的 Iris 数据集 进行分类任务。鸢尾花数据集包含 150 个样本，有 4 个特征和 3 个类别，目标是根据花瓣和萼片的大小来预测花的类别。

步骤 1：加载数据集
from sklearn import datasets
from sklearn.model_selection import train_test_split

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

# 划分数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
步骤 2：数据预处理

我们将对特征进行标准化处理，使每个特征的均值为 0，方差为 1。

from sklearn.preprocessing import StandardScaler

# 标准化处理
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

步骤 3：训练分类模型（逻辑回归）

from sklearn.linear_model import LogisticRegression

# 创建逻辑回归模型
model = LogisticRegression()

# 训练模型
model.fit(X_train, y_train)
步骤 4：评估模型

我们使用准确率（Accuracy）评估模型在测试集上的性能。

from sklearn.metrics import accuracy_score

# 预测测试集
y_pred = model.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f"测试集上的准确率: {accuracy:.2f}")
步骤 5：交叉验证与网格搜索调优

使用交叉验证评估模型，并使用 GridSearchCV 进行超参数调优。

from sklearn.model_selection import GridSearchCV

# 定义参数网格
param_grid = {
    'C': [0.1, 1, 10],
    'solver': ['lbfgs', 'liblinear']
}

# 使用 GridSearchCV 进行超参数调优
grid_search = GridSearchCV(LogisticRegression(), param_grid, cv=5)
grid_search.fit(X_train, y_train)

# 输出最佳参数和最佳分数
print(f"最佳参数: {grid_search.best_params_}")
print(f"最佳交叉验证得分: {grid_search.best_score_:.2f}")
步骤 6：使用最佳模型进行预测

使用调优后的最佳模型对测试集进行预测，并计算新的准确率。

# 使用最佳模型进行预测
best_model = grid_search.best_estimator_
y_pred_best = best_model.predict(X_test)

# 计算准确率
accuracy_best = accuracy_score(y_test, y_pred_best)
print(f"使用最佳模型的测试集准确率: {accuracy_best:.2f}")

完整代码总结

from sklearn import datasets
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

# 加载数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 划分数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 数据预处理
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

# 创建并训练模型
model = LogisticRegression()
model.fit(X_train, y_train)

# 评估模型
y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print(f"测试集上的准确率: {accuracy:.2f}")

# 交叉验证与调优
param_grid = {'C': [0.1, 1, 10], 'solver': ['lbfgs', 'liblinear']}
grid_search = GridSearchCV(LogisticRegression(), param_grid, cv=5)
grid_search.fit(X_train, y_train)

print(f"最佳参数: {grid_search.best_params_}")
print(f"最佳交叉验证得分: {grid_search.best_score_:.2f}")

# 使用最佳模型进行预测
best_model = grid_search.best_estimator_
y_pred_best = best_model.predict(X_test)
accuracy_best = accuracy_score(y_test, y_pred_best)
print(f"使用最佳模型的测试集准确率: {accuracy_best:.2f}")

结论

通过本教程，你已经全面了解了 Scikit-learn 的基本使用方法和高级功能。从数据预处理、模型构建、模型评估到模型调优，Scikit-learn 提供了一套完整的机器学习解决方案。它的统一 API 设计使得各个算法之间的切换和比较变得非常容易。无论你是机器学习的新手还是经验丰富的开发者，Scikit-learn 都是一个不可或缺的工具，帮助你高效地构建和部署机器学习模型。

相关推荐
Theodore_10222 小时前
4 设计模式原则之接口隔离原则
java·开发语言·设计模式·java-ee·接口隔离原则·javaee
网易独家音乐人Mike Zhou2 小时前
【卡尔曼滤波】数据预测Prediction观测器的理论推导及应用 C语言、Python实现（Kalman Filter）
c语言·python·单片机·物联网·算法·嵌入式·iot
安静读书2 小时前
Python解析视频FPS(帧率)、分辨率信息
python·opencv·音视频
小陈phd2 小时前
OpenCV从入门到精通实战(九)——基于dlib的疲劳监测 ear计算
人工智能·opencv·计算机视觉
Guofu_Liao3 小时前
大语言模型---LoRA简介；LoRA的优势；LoRA训练步骤；总结
人工智能·语言模型·自然语言处理·矩阵·llama
----云烟----4 小时前
QT中QString类的各种使用
开发语言·qt
lsx2024064 小时前
SQL SELECT 语句：基础与进阶应用
开发语言
小二·4 小时前
java基础面试题笔记（基础篇）
java·笔记·python
开心工作室_kaic4 小时前
ssm161基于web的资源共享平台的共享与开发+jsp(论文+源码)_kaic
java·开发语言·前端
向宇it4 小时前
【unity小技巧】unity 什么是反射？反射的作用？反射的使用场景?反射的缺点?常用的反射操作？反射常见示例
开发语言·游戏·unity·c#·游戏引擎
热门推荐
01(欧拉)openEuler系统添加网卡文件配置流程、(欧拉)openEuler系统手动配置ipv6地址流程、(欧拉)openEuler系统网络管理说明02PyTorch机器学习实现液态神经网络03【HarmonyOS】HUAWEI DevEco Studio 下载地址汇总04玄机平台应急响应—webshell查杀05Coze扣子平台完整体验和实践（附国内和国际版对比）06Ubuntu 20.04使用Livox mid 360 测试 FAST_LIO07【目标跟踪】相机运动补偿08Unity中PICO实现 隔空取物 和 接触抓取物体09RAG 实践- Ollama+RagFlow 部署本地知识库10怎样让音频速度变慢？请跟随以下方法进行操作