机器学习第二十四讲：scikit-learn → 机器学习界的瑞士军刀

资料取自《零基础学机器学习》。

查看总目录：学习大纲

关于DeepSeek本地部署指南可以看下我之前写的文章：DeepSeek R1本地与线上满血版部署：超详细手把手指南

Scikit-learn详解：机器学习界的瑞士军刀[^7-1]

Scikit-learn就像一个装满智能工具的万能工具箱，能快速解决80%的机器学习需求。以"预测明日冰淇淋销量"场景为例：
原始数据数据清洗特征工程选择算法训练模型预测销量

一、核心优势（万能工具箱比喻）

四大实用模块：

数据预处理区 → 美图秀秀修图工具

python 复制代码

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()  # 把身高体重统一成标准尺寸[^4-1]

模型陈列架 → 饮料自动贩卖机

饮料类型对应算法典型问题

碳酸饮料 KNN 客户分类

果汁决策树销量预测

咖啡随机森林欺诈检测

一键选择：from sklearn.ensemble import RandomForestClassifier[^2]

饮料类型	对应算法	典型问题
碳酸饮料	KNN	客户分类
果汁	决策树	销量预测
咖啡	随机森林	欺诈检测

训练工作台 → 智能烤箱预设程序

python 复制代码

model.fit(X_train, y_train)  # 自动调节参数最佳组合[^8-3]

评估仪表盘 → 汽车中控屏

预测结果混淆矩阵 ^8-1 交叉验证 ^8-2

二、实战案例解析（便利店经营预测）

五步智能决策流程：

python 复制代码

# 步骤1：处理异常值（删除3米身高的顾客记录）
from sklearn.impute import SimpleImputer
imputer = SimpleImputer(strategy='median')  [^3-2]

# 步骤2：特征编码（把天气转换成数字格式）
from sklearn.preprocessing import OneHotEncoder
encoder = OneHotEncoder()  # 晴=100 雨=010 多云=001[^4-3]

# 步骤3：选择算法（决策树）
from sklearn.tree import DecisionTreeRegressor  [^5-2]

# 步骤4：训练验证（五轮模拟考）
from sklearn.model_selection import cross_val_score
scores = cross_val_score(model, X, y, cv=5)  [^8-2]

# 步骤5：预测明日销量
pred = model.predict([[28, 1, 150]])  # 气温28℃+晴天+客流150

参数调试实例：
2023-07-01 2023-07-02 2023-07-03 2023-07-04 2023-07-05 2023-07-06 2023-07-07 2023-07-08 2023-07-09 2023-07-10 2023-07-11 初始参数深度5 → 准确率78% 深度8 → 准确率85% 加入剪枝 → 准确率91% 决策树模型调参进化史

三、与传统编程对比（手工陶艺vs3D打印）

对比维度	传统代码	Scikit-learn	优势说明[1][2]
开发速度	手工编写算法(2周)	调用现成模型(2小时)	效率提升20倍
可维护性	修改需重写核心逻辑	替换算法模块像换电池	迭代周期缩短80%
功能扩展	新增功能需架构调整	插件式添加预处理步骤	灵活度提升60%
典型案例	自定义KNN实现(200行)	sklearn.KNN(5行代码)	代码量减少97%[^7-1]

四、适用场景举例（工具箱里的趁手兵器）

四大人气工具组合：

数据探测镊子 ：sklearn.datasets.load_iris()
python 复制代码
```
鸢尾花数据 = load_iris()  # 自带经典数据集[^10-1]
```
特征筛选磁铁 ：SelectKBest

30个考试科目 k=5 语数外理化生

模型流水线 ：Pipeline

python 复制代码

from sklearn.pipeline import Pipeline
process = Pipeline([
    ('scaler', StandardScaler()),  # 第一步标准化
    ('selector', SelectKBest(k=3)),  # 第二步选特征
    ('classifier', RandomForestClassifier())  # 最后分类
])  [^7-1]

参数搜索显微镜 ：GridSearchCV

python 复制代码

params = {'n_estimators': [50, 100, 200]}
grid = GridSearchCV(estimator=model, param_grid=params)  [^8-3]

五、最佳实践指南（新手避坑手册）

三条黄金法则：

数据质量优先 → 炒菜先洗菜

原始数据 ^3-1 ^3-2 ^4-3

先简后繁原则：

复制代码

线性回归 → 决策树 → 随机森林 → 神经网络

验证不可少 → 试吃后再量产

python 复制代码

# 分割训练集和测试集
from sklearn.model_selection import train_test_split
X_train, X_test = train_test_split(X, test_size=0.2)  [^8-2]

典型实战效果：

python 复制代码

# 10行代码完成鸢尾花分类
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier

iris = datasets.load_iris()
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target)
model = KNeighborsClassifier(n_neighbors=3)
model.fit(X_train, y_train)
print(f"测试准确率：{model.score(X_test, y_test):.2f}")  # 输出0.97[^10-1]

上篇文章：机器学习第二十三讲：CNN → 用放大镜局部观察图片特征层层传递

下篇文章：机器学习第二十五讲：TensorFlow → 乐高式搭建深度学习模型

\^2\][《零基础学机器学习》](https://u.jd.com/g6ohKvi)第八章第二节K最近邻算法 \[\^3-1\][《零基础学机器学习》](https://u.jd.com/g6ohKvi)第三章第一节缺失值处理 \[\^3-2\][《零基础学机器学习》](https://u.jd.com/g6ohKvi)第三章第三节异常值检测 \[\^4-3\][《零基础学机器学习》](https://u.jd.com/g6ohKvi)第四章第四节编码处理 \[\^5-2\][《零基础学机器学习》](https://u.jd.com/g6ohKvi)第五章第三节树模型 \[\^7-1\][《零基础学机器学习》](https://u.jd.com/g6ohKvi)第七章第一/二节工具介绍 \[\^8-2\][《零基础学机器学习》](https://u.jd.com/g6ohKvi)第八章第三节交叉验证 \[\^8-3\][《零基础学机器学习》](https://u.jd.com/g6ohKvi)第八章第四节网格搜索 \[\^10-1\][《零基础学机器学习》](https://u.jd.com/g6ohKvi)第十章第一节项目实践