入门指南#

本指南旨在展示 scikit-learn 提供的一些主要功能。它假设读者具有机器学习实践的基本知识（如模型拟合、预测、交叉验证等）。请参考我们的 installation instructions 来安装 scikit-learn 。

Scikit-learn 是一个支持监督学习和无监督学习的开源机器学习库。它还提供了各种工具，用于模型拟合、数据预处理、模型选择、模型评估以及其他许多实用功能。

拟合和预测：估计器基础#

Scikit-learn 提供了数十种内置的机器学习算法和模型，称为 estimators 。每个估计器都可以使用其 fit 方法拟合到某些数据上。

以下是一个简单示例，我们将一个 RandomForestClassifier 拟合到一些非常基本的数据上:

>>> from sklearn.ensemble import RandomForestClassifier
>>> clf = RandomForestClassifier(random_state=0)
>>> X = [[ 1,  2,  3],  # 2 个样本, 3 个特征
...      [11, 12, 13]]
>>> y = [0, 1]  # 每个样本的类别
>>> clf.fit(X, y)
RandomForestClassifier(random_state=0)

fit 方法通常接受 2 个输入：

样本矩阵（或设计矩阵） X 。 X 的大小通常是 (n_samples, n_features) ，这意味着样本表示为行，特征表示为列。
目标值 y ，对于回归任务是实数，对于分类任务是整数（或任何其他离散值集合）。对于无监督学习任务， y 不需要指定。 y 通常是一个一维数组，其中第 i 个条目对应于 X 的第 i 个样本（行）的目标。

X 和 y 通常期望是 numpy 数组或等效的类数组数据类型，尽管某些估计器支持其他格式，如稀疏矩阵。

一旦估计器被拟合，它就可以用于预测新数据的目标值。您不需要重新训练估计器:

>>> clf.predict(X)  # 预测训练数据的类别
array([0, 1])
>>> clf.predict([[4, 5, 6], [14, 15, 16]])  # 预测新数据的类别
array([0, 1])

您可以查看选择合适的估计器来了解如何为您的用例选择合适的模型。

转换器和预处理器#

机器学习工作流程通常由不同的部分组成。一个典型的管道包括一个预处理步骤，该步骤转换或填充数据，以及一个最终的预测器，用于预测目标值。

在 scikit-learn 中，预处理器和转换器遵循与估计器对象相同的 API（实际上它们都继承自同一个 BaseEstimator 类）。转换器对象没有 predict 方法，而是有一个 transform 方法，该方法输出一个新的转换样本矩阵 X

>>> from sklearn.preprocessing import StandardScaler
>>> X = [[0, 15],
...      [1, -10]]
>>> # 根据计算的缩放值缩放数据
>>> StandardScaler().fit(X).transform(X)
array([[-1.,  1.],
       [ 1., -1.]])

有时，您希望对不同的特征应用不同的转换：ColumnTransformer 正是为此类用例设计的。

管道：链接预处理器和估计器#

转换器和估计器（预测器）可以组合在一起成为一个单一的统一对象：Pipeline 。管道提供的 API 与常规估计器相同：可以使用 fit 和 predict 进行拟合和预测。正如我们稍后将看到的，使用管道还可以防止数据泄露，即在训练数据中披露一些测试数据。

在以下示例中，我们 load the Iris dataset ，将其拆分为训练集和测试集，并在测试数据上计算管道的准确性得分:

>>> from sklearn.preprocessing import StandardScaler
>>> from sklearn.linear_model import LogisticRegression
>>> from sklearn.pipeline import make_pipeline
>>> from sklearn.datasets import load_iris
>>> from sklearn.model_selection import train_test_split
>>> from sklearn.metrics import accuracy_score
...
>>> # 创建一个管道对象
>>> pipe = make_pipeline(
...     StandardScaler(),
...     LogisticRegression()
... )
...
>>> # 加载鸢尾花数据集并将其拆分为训练集和测试集
>>> X, y = load_iris(return_X_y=True)
>>> X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)
...
>>> # 拟合整个管道
>>> pipe.fit(X_train, y_train)
Pipeline(steps=[('standardscaler', StandardScaler()),
                ('logisticregression', LogisticRegression())])
>>> # 我们现在可以像使用其他估计器一样使用它
>>> accuracy_score(pipe.predict(X_test), y_test)
0.97...

模型评估#

将模型拟合到某些数据并不意味着它将在未见数据上预测良好。这需要直接进行评估。我们刚刚看到了 :func:` ~sklearn.model_selection.train_test_split`助手，它将数据集拆分为训练集和测试集，但 scikit-learn 还提供了许多其他用于模型评估的工具，特别是用于交叉验证。

我们在这里简要展示如何使用 cross_validate 助手执行 5 折交叉验证过程。请注意，也可以手动遍历折叠，使用不同的数据拆分策略，并使用自定义评分函数。请参阅我们的 User Guide 了解更多详细信息:

>>> from sklearn.datasets import make_regression
>>> from sklearn.linear_model import LinearRegression
>>> from sklearn.model_selection import cross_validate
...
>>> X, y = make_regression(n_samples=1000, random_state=0)
>>> lr = LinearRegression()
...
>>> result = cross_validate(lr, X, y)  # 默认为 5 折交叉验证
>>> result['test_score']  # r_squared 得分高是因为数据集简单
array([1., 1., 1., 1., 1.])

自动参数搜索#

所有估计器都有参数（在文献中通常称为超参数），这些参数可以进行调整。估计器的泛化能力通常在很大程度上取决于少数几个参数。例如，RandomForestRegressor 有一个 n_estimators 参数，用于确定森林中的树的数量，还有一个 max_depth 参数，用于确定每棵树的最大深度。通常，这些参数的确切值并不清楚，因为它们取决于手头的数据。

Scikit-learn 提供了工具来自动找到最佳的参数组合（通过交叉验证）。在以下示例中，我们随机搜索随机森林的参数空间，使用 RandomizedSearchCV 对象。当搜索结束时， RandomizedSearchCV 的行为就像一个已经拟合了最佳参数集的 RandomForestRegressor 。更多详细信息请参阅 User Guide

>>> from sklearn.datasets import fetch_california_housing
>>> from sklearn.ensemble import RandomForestRegressor
>>> from sklearn.model_selection import RandomizedSearchCV
>>> from sklearn.model_selection import train_test_split
>>> from scipy.stats import randint
...
>>> X, y = fetch_california_housing(return_X_y=True)
>>> X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)
...
>>> # 定义将要搜索的参数空间
>>> param_distributions = {'n_estimators': randint(1, 5),
...                        'max_depth': randint(5, 10)}
...
>>> # 现在创建一个 searchCV 对象并将其拟合到数据上
>>> search = RandomizedSearchCV(estimator=RandomForestRegressor(random_state=0),
...                             n_iter=5,
...                             param_distributions=param_distributions,
...                             random_state=0)
>>> search.fit(X_train, y_train)
RandomizedSearchCV(estimator=RandomForestRegressor(random_state=0), n_iter=5,
                   param_distributions={'max_depth': ...,
                                        'n_estimators': ...},
                   random_state=0)
>>> search.best_params_
{'max_depth': 9, 'n_estimators': 4}

>>> # 现在 search 对象表现得像一个普通的随机森林估计器
>>> # 具有 max_depth=9 和 n_estimators=4
>>> search.score(X_test, y_test)
0.73...

在实践中，你几乎总是希望对一个管道（pipeline）进行搜索，而不是单个估计器。主要原因之一是，如果你对整个数据集应用预处理步骤而不使用管道，然后进行任何形式的交叉验证，你将破坏训练数据和测试数据之间独立性的基本假设。实际上，由于你使用整个数据集对数据进行了预处理，一些关于测试集的信息已经对训练集可用。这将导致过高估计估计器的泛化能力（你可以在 Kaggle post 中了解更多信息）。

使用管道进行交叉验证和搜索将大大避免这种常见陷阱。

下一步#

我们已经简要介绍了估计器拟合和预测、预处理步骤、管道、交叉验证工具和自动超参数搜索。本指南应该让您对库的一些主要功能有一个概览，但 scikit-learn 还有更多内容！

请参阅我们的用户指南以获取我们提供的所有工具的详细信息。您还可以在 API参考中找到公共API的详尽列表。

您还可以查看我们众多的示例，这些示例在许多不同的上下文中展示了``scikit-learn``的使用。