Python进阶教程：机器学习入门（Scikit-learn）

目录

• Python进阶教程：机器学习入门（Scikit-learn）
• • 一、机器学习是什么
  • 二、机器学习基本流程
  • 三、第一个分类模型
  • 四、线性回归
  • 五、模型评估与交叉验证
  • 六、K-Means 聚类
  • 七、特征工程要点
  • 八、实战：预测鲜花品种
  • 总结

Python进阶教程：机器学习入门（Scikit-learn）

本文是 Python 入门教程系列 的第 17 篇（扩展篇）。前面第 8 篇介绍了数据分析，本篇进入机器学习入门，使用最流行的 Scikit-learn 库。

一、机器学习是什么

机器学习让计算机从数据中自动学习规律并做出预测，主要分三类：

• 监督学习：有标注数据（分类、回归）
• 无监督学习：无标注数据（聚类、降维）
• 强化学习：通过奖励学习策略

安装：pip install scikit-learn matplotlib

二、机器学习基本流程

三、第一个分类模型

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

# 1. 加载鸢尾花数据集
iris = load_iris()
X, y = iris.data, iris.target

# 2. 划分训练集/测试集
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.3, random_state=42
)

# 3. 训练模型
model = DecisionTreeClassifier(max_depth=3)
model.fit(X_train, y_train)

# 4. 评估
y_pred = model.predict(X_test)
print(f"准确率：{accuracy_score(y_test, y_pred):.2f}")

# 5. 预测新样本
new_sample = [[5.1, 3.5, 1.4, 0.2]]
print(f"预测类别：{iris.target_names[model.predict(new_sample)[0]]}")

四、线性回归

from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error
import numpy as np

# 模拟数据：房价与面积
np.random.seed(42)
X = np.random.rand(200, 1) * 100 # 面积 0-100
y = 3 * X[:, 0] + 10 + np.random.randn(200) * 5 # 房价

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

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

print(f"斜率：{model.coef_[0]:.2f}，截距：{model.intercept_:.2f}")
y_pred = model.predict(X_test)
print(f"均方误差：{mean_squared_error(y_test, y_pred):.2f}")

五、模型评估与交叉验证

from sklearn.datasets import load_iris
from sklearn.model_selection import cross_val_score
from sklearn.svm import SVC

iris = load_iris()
model = SVC(kernel='linear', C=1.0)

# 5 折交叉验证
scores = cross_val_score(model, iris.data, iris.target, cv=5)
print(f"每折准确率：{scores}")
print(f"平均准确率：{scores.mean():.3f}")

六、K-Means 聚类

from sklearn.cluster import KMeans
from sklearn.datasets import make_blobs
import matplotlib.pyplot as plt

# 生成聚类数据
X, _ = make_blobs(n_samples=300, centers=4, random_state=42)

# K-Means 聚类
kmeans = KMeans(n_clusters=4, random_state=42)
kmeans.fit(X)

# 查看聚类中心
print(f"聚类中心：
{kmeans.cluster_centers_}")
print(f"样本所属簇：{kmeans.labels_[:10]}")

# 可视化（可选）
# plt.scatter(X[:, 0], X[:, 1], c=kmeans.labels_)
# plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], marker="*", s=200, c="red")
# plt.show()

七、特征工程要点

好的特征比复杂模型更重要：

from sklearn.preprocessing import StandardScaler, OneHotEncoder
import numpy as np

# 特征缩放（对距离敏感的算法很重要）
X = np.array([[1, 1000], [2, 2000], [3, 3000]])
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
print(X_scaled)

# 类别特征独热编码
from sklearn.preprocessing import LabelEncoder
colors = ["红", "绿", "蓝", "绿", "红"]
encoder = LabelEncoder()
print(encoder.fit_transform(colors)) # [0 1 2 1 0]

八、实战：预测鲜花品种

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report

# 数据准备
iris = load_iris()
X_train, X_test, y_train, y_test = train_test_split(
iris.data, iris.target, test_size=0.3, random_state=42
)

# 随机森林（比单棵树更稳）
model = RandomForestClassifier(n_estimators=100, random_state=42)
model.fit(X_train, y_train)

# 评估
y_pred = model.predict(X_test)
print(classification_report(y_test, y_pred, target_names=iris.target_names))

# 特征重要性
for name, imp in zip(iris.feature_names, model.feature_importances_):
print(f"{name}: {imp:.3f}")

总结

本篇介绍了机器学习的基本流程、分类/回归/聚类三大经典任务、交叉验证和特征工程，并用鸢尾花数据集跑通了完整实战。机器学习重在实践，建议用 UCI 或 Kaggle 的数据集多做练习。