引言
Scikit-learn 是一个强大的 Python 库，专门用于数据挖掘和机器学习。它提供了易于使用的接口和丰富的算法，使得数据科学家和机器学习爱好者能够轻松地进行数据预处理、特征提取、模型训练和评估等任务。本文将详细介绍 Scikit-learn 的基本概念、常用算法和可视化技巧，帮助读者轻松入门并掌握实战技巧。
Scikit-learn 简介
1.1 安装与导入
Scikit-learn 可以通过 pip 安装：
pip install scikit-learn
安装完成后，可以通过以下代码导入 Scikit-learn：
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
1.2 数据集
Scikit-learn 提供了多种数据集，例如鸢尾花数据集（Iris）、波士顿房价数据集（Boston）等。这些数据集可以帮助我们理解和实践 Scikit-learn 的各种算法。
数据预处理
2.1 数据加载
数据加载是数据预处理的第一步，可以使用 Scikit-learn 的 load_iris 等函数来加载数据集。
iris = load_iris()
X, y = iris.data, iris.target
2.2 数据清洗
数据清洗包括处理缺失值、异常值等。Scikit-learn 提供了 SimpleImputer 和 RobustScaler 等工具。
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import RobustScaler
imputer = SimpleImputer(strategy='mean')
X_imputed = imputer.fit_transform(X)
scaler = RobustScaler()
X_scaled = scaler.fit_transform(X_imputed)
2.3 特征提取
特征提取是将原始数据转换为更适合模型输入的形式。Scikit-learn 提供了多种特征提取工具，例如 PCA（主成分分析）、特征选择等。
from sklearn.decomposition import PCA
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X_scaled)
常用算法
3.1 分类算法
Scikit-learn 提供了多种分类算法，如逻辑回归、决策树、随机森林等。
3.1.1 逻辑回归
from sklearn.linear_model import LogisticRegression
logistic = LogisticRegression()
logistic.fit(X_pca, y)
3.1.2 决策树
from sklearn.tree import DecisionTreeClassifier
tree = DecisionTreeClassifier()
tree.fit(X_pca, y)
3.1.3 随机森林
from sklearn.ensemble import RandomForestClassifier
rf = RandomForestClassifier()
rf.fit(X_pca, y)
3.2 回归算法
回归算法用于预测连续值，如线性回归、岭回归等。
3.2.1 线性回归
from sklearn.linear_model import LinearRegression
linear = LinearRegression()
linear.fit(X_scaled, y)
3.2.2 岭回归
from sklearn.linear_model import Ridge
ridge = Ridge(alpha=1.0)
ridge.fit(X_scaled, y)
可视化
4.1 2D 可视化
可以使用 matplotlib 等库进行 2D 可视化。
import matplotlib.pyplot as plt
plt.scatter(X_pca[:, 0], X_pca[:, 1], c=y)
plt.xlabel('Principal Component 1')
plt.ylabel('Principal Component 2')
plt.title('2D Visualization of Iris Dataset')
plt.show()
4.2 3D 可视化
对于 3D 数据，可以使用 mplot3d 进行可视化。
from mpl_toolkits.mplot3d import Axes3D
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.scatter(X_pca[:, 0], X_pca[:, 1], X_pca[:, 2], c=y)
ax.set_xlabel('Principal Component 1')
ax.set_ylabel('Principal Component 2')
ax.set_zlabel('Principal Component 3')
ax.set_title('3D Visualization of Iris Dataset')
plt.show()
总结
Scikit-learn 是一个功能强大的机器学习库，可以帮助我们轻松地完成数据挖掘和可视化任务。本文介绍了 Scikit-learn 的基本概念、常用算法和可视化技巧，希望读者能够通过本文的学习，快速入门并掌握 Scikit-learn 的实战技巧。