目录
[二、什么是 sklearn](#二、什么是 sklearn)
[三、安装 sklearn](#三、安装 sklearn)
[sklearn 中 fit 和 transform 区别？](#sklearn 中 fit 和 transform 区别？)
[fit_transform 是什么？](#fit_transform 是什么？)
[Pipeline 有什么作用？](#Pipeline 有什么作用？)
[GridSearchCV 的作用？](#GridSearchCV 的作用？)
[sklearn 最常用的模块有哪些？](#sklearn 最常用的模块有哪些？)
在 Python 机器学习生态中，有一个几乎绕不开的工具库：
Scikit-Learn（简称 sklearn）无论是：
线性回归
逻辑回归
决策树
随机森林
聚类分析
降维分析
模型评估还是：
数据预处理
特征工程
交叉验证
超参数调优都能通过 sklearn 快速完成。
可以说：
如果 NumPy 是机器学习的数据基础，那么 sklearn 就是机器学习的瑞士军刀。
对于机器学习初学者来说，掌握 sklearn 意味着能够快速搭建完整的机器学习项目。
本文将系统讲解：
sklearn简介
安装方法
数据预处理
模型训练
模型评估
交叉验证
网格搜索
Pipeline流水线
常见模型使用帮助你快速入门 sklearn。
二、什么是 sklearn
Scikit-Learn 是基于：
NumPy
SciPy
Matplotlib构建的机器学习工具库。
官方网站：
https://scikit-learn.org特点：
API统一
文档完善
模型丰富
简单易用
工业界广泛应用三、安装 sklearn
安装最新版：
pip install scikit-learn查看版本：
python
import sklearn
print(sklearn.__version__)输出：
1.7.x四、sklearn整体架构
机器学习流程：
在 sklearn 中：
datasets
preprocessing
model_selection
metrics
ensemble
tree
linear_model分别负责不同模块。
五、加载数据集
sklearn 自带很多经典数据集。
加载鸢尾花数据集：
python
from sklearn.datasets import load_iris
iris = load_iris()
print(iris.data.shape)
print(iris.target.shape)输出：
(150, 4)
(150,)查看特征：
print(iris.feature_names)结果：
['sepal length',
'sepal width',
'petal length',
'petal width']六、划分训练集和测试集
机器学习必须划分：
训练集
测试集代码：
python
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(
iris.data,
iris.target,
test_size=0.2,
random_state=42
)参数说明：
test_size
测试集比例
random_state
随机种子七、数据标准化
很多算法要求：
数据尺度一致例如：
年龄：20~60
工资：5000~50000需要标准化。
代码：
python
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)标准化公式：
z = (x - μ) / σ作用：
均值变成0
标准差变成1八、训练第一个模型
使用逻辑回归：
python
from sklearn.linear_model import LogisticRegression
model = LogisticRegression()
model.fit(X_train, y_train)训练完成后：
python
print("训练完成")九、模型预测
预测测试集：
python
pred = model.predict(X_test)
print(pred)预测概率：
python
prob = model.predict_proba(X_test)
print(prob)输出：
[[0.01 0.95 0.04]]表示：
属于各类别的概率十、模型评估
计算准确率：
python
from sklearn.metrics import accuracy_score
acc = accuracy_score(
y_test,
pred
)
print(acc)输出：
0.9667表示：
96.67%分类报告：
python
from sklearn.metrics import classification_report
print(
classification_report(
y_test,
pred
)
)输出：
precision
recall
f1-score等指标。
十一、混淆矩阵
查看预测详情：
python
from sklearn.metrics import confusion_matrix
cm = confusion_matrix(
y_test,
pred
)
print(cm)输出：
[[10 0 0]
[ 0 9 1]
[ 0 0 10]]帮助分析：
误判情况
分类效果十二、线性回归模型
房价预测：
python
from sklearn.linear_model import LinearRegression
model = LinearRegression()
model.fit(X_train, y_train)
pred = model.predict(X_test)查看系数：
python
print(model.coef_)查看截距：
python
print(model.intercept_)十三、决策树模型
代码：
python
from sklearn.tree import DecisionTreeClassifier
model = DecisionTreeClassifier(
max_depth=5
)
model.fit(X_train, y_train)预测：
python
pred = model.predict(X_test)适用于：
分类问题
回归问题十四、随机森林模型
工业界非常常见。
代码：
python
from sklearn.ensemble import RandomForestClassifier
model = RandomForestClassifier(
n_estimators=100,
random_state=42
)
model.fit(X_train, y_train)参数：
n_estimators
树的数量查看特征重要性：
print(
model.feature_importances_
)十五、支持向量机（SVM）
代码：
python
from sklearn.svm import SVC
model = SVC(
kernel="rbf"
)
model.fit(X_train, y_train)常见核函数：
linear
poly
rbf
sigmoid十六、KNN近邻算法
代码：
python
from sklearn.neighbors import KNeighborsClassifier
model = KNeighborsClassifier(
n_neighbors=5
)
model.fit(X_train, y_train)参数：
n_neighbors
邻居数量十七、聚类分析（K-Means）
无监督学习。
代码：
python
from sklearn.cluster import KMeans
kmeans = KMeans(
n_clusters=3,
random_state=42
)
kmeans.fit(X_train)查看聚类结果：
print(kmeans.labels_)十八、PCA降维
降维工具：
python
from sklearn.decomposition import PCA
pca = PCA(
n_components=2
)
X_new = pca.fit_transform(X_train)结果：
4维
↓
2维方便：
可视化
降噪
压缩数据十九、交叉验证
提高评估可靠性。
代码：
python
from sklearn.model_selection import cross_val_score
scores = cross_val_score(
model,
iris.data,
iris.target,
cv=5
)
print(scores)输出：
[0.96 0.93 1.00 0.96 0.96]平均值：
print(scores.mean())二十、网格搜索调参
自动寻找最佳参数。
代码：
python
from sklearn.model_selection import GridSearchCV
from sklearn.ensemble import RandomForestClassifier
params = {
"n_estimators":[50,100,200],
"max_depth":[3,5,10]
}
grid = GridSearchCV(
RandomForestClassifier(),
params,
cv=5
)
grid.fit(X_train, y_train)最佳参数：
python
print(grid.best_params_)输出：
python
{
'max_depth':5,
'n_estimators':100
}二十一、Pipeline流水线
避免数据泄漏。
代码：
python
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)优势：
代码更简洁
方便部署
避免错误二十二、模型保存与加载
保存模型：
python
import joblib
joblib.dump(
model,
"model.pkl"
)加载模型：
model = joblib.load(
"model.pkl"
)线上部署常用。
二十三、完整机器学习案例
python
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score
iris = load_iris()
X_train, X_test, y_train, y_test = train_test_split(
iris.data,
iris.target,
test_size=0.2,
random_state=42
)
model = RandomForestClassifier()
model.fit(X_train, y_train)
pred = model.predict(X_test)
acc = accuracy_score(
y_test,
pred
)
print("准确率：", acc)运行结果：
准确率：0.96二十四、常用模块总结
| 模块 | 作用 |
|---|---|
| datasets | 数据集 |
| preprocessing | 数据预处理 |
| model_selection | 数据划分与调参 |
| metrics | 模型评估 |
| linear_model | 线性模型 |
| tree | 决策树 |
| ensemble | 集成学习 |
| svm | 支持向量机 |
| cluster | 聚类 |
| decomposition | PCA降维 |
二十五、面试高频问题
sklearn 中 fit 和 transform 区别？
fit
学习参数
transform
转换数据fit_transform 是什么？
fit
+
transform一步完成。
Pipeline 有什么作用？
串联预处理和模型
防止数据泄漏GridSearchCV 的作用？
自动搜索最佳参数sklearn 最常用的模块有哪些？
datasets
metrics
model_selection
ensemble
tree
linear_model二十六、总结
Scikit-Learn 是 Python 机器学习领域最重要的工具库之一。
完整开发流程：
加载数据
↓
划分训练集
↓
数据预处理
↓
训练模型
↓
模型预测
↓
模型评估
↓
交叉验证
↓
参数优化
↓
模型保存掌握 sklearn 后，你将能够快速完成：
分类任务
回归任务
聚类任务
降维任务
模型评估
模型调优对于机器学习工程师而言：
sklearn 不仅仅是一个工具库，更是学习机器学习思想的最佳实践平台。学会 sklearn，意味着你已经具备了独立完成绝大多数传统机器学习项目的能力。