机器学习第二十四讲：scikit-learn → 机器学习界的瑞士军刀

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：

graph TD
    A[原始数据] --> B[数据清洗]
    B --> C[特征工程]
    C --> D[选择算法]
    D --> E[训练模型]
    E --> F[预测销量]

一、核心优势（万能工具箱比喻）

四大实用模块：

1. 数据预处理区 → 美图秀秀修图工具

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

2. 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 RandomForestClassifier²

3. 训练工作台 → 智能烤箱预设程序

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

4. 评估仪表盘 → 汽车中控屏

   flowchart LR
     预测结果 --> 混淆矩阵 --> 显示漏检率[^8-1]
     预测结果 --> 交叉验证 --> 生成性能雷达图[^8-2]

二、实战案例解析（便利店经营预测）

五步智能决策流程：

# 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：

gantt
    title 模型调参进化史
    section 决策树
    初始参数 : 2023-07-01, 3d
    深度5 → 准确率78% : 2023-07-04, 2d
    深度8 → 准确率85% : 2023-07-06, 3d
    加入剪枝 → 准确率91% : 2023-07-09, 2d

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
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%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：

1. 数据探测镊子：sklearn.datasets.load_iris()

   鸢尾花数据 = load_iris()  # 自带经典数据集[^10-1]

2. 特征筛选磁铁：SelectKBest

   graph LR
     30个考试科目 --> SelectKBest(k=5) --> 语数外理化生

3. 模型流水线：Pipeline

   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]

4. 参数搜索显微镜：GridSearchCV

   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：

1. 数据质量优先 → 炒菜先洗菜

   flowchart TB
     原始数据 --> 处理缺失值[^3-1] --> 排除异常值[^3-2] --> 特征编码[^4-3]

2. 先简后繁原则：

   线性回归 → 决策树 → 随机森林 → 神经网络

3. 验证不可少 → 试吃后再量产

   # 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：

# 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]

---

目录：总目录
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》第八章第二节K最近邻算法
³《零基础学机器学习》第三章第一节缺失值处理
⁴《零基础学机器学习》第三章第三节异常值检测
⁵《零基础学机器学习》第四章第四节编码处理
⁶《零基础学机器学习》第五章第三节树模型
¹《零基础学机器学习》第七章第一/二节工具介绍
⁷《零基础学机器学习》第八章第三节交叉验证
⁸《零基础学机器学习》第八章第四节网格搜索
⁹《零基础学机器学习》第十章第一节项目实践

---

1. 7-1 ↩
2. 2 ↩
3. 3-1 ↩
4. 3-2 ↩
5. 4-3 ↩
6. 5-2 ↩
7. 8-2 ↩
8. 8-3 ↩
9. 10-1 ↩