开始入门#

本指南旨在阐述 scikit-learn 提供的一些主要功能。它假设您对机器学习实践（模型拟合、预测、交叉验证等）有非常基本的了解。有关安装 scikit-learn 的说明，请参阅我们的安装指南。

Scikit-learn 是一个支持有监督学习和无监督学习的开源机器学习库。它还提供了用于模型拟合、数据预处理、模型选择、模型评估以及许多其他实用工具。

拟合与预测：估计器基础#

Scikit-learn 提供了数十种内置机器学习算法和模型，称为估计器。每个估计器都可以使用其fit方法拟合到一些数据。

这是一个简单示例，我们将一个RandomForestClassifier拟合到一些非常基础的数据

>>> from sklearn.ensemble import RandomForestClassifier
>>> clf = RandomForestClassifier(random_state=0)
>>> X = [[ 1,  2,  3],  # 2 samples, 3 features
...      [11, 12, 13]]
>>> y = [0, 1]  # classes of each sample
>>> 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，回归任务中是实数，分类任务中是整数（或任何其他离散值集）。对于无监督学习任务，无需指定 y。y 通常是一个一维数组，其中第 i 个条目对应于 X 中第 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，尽管某些估计器也支持其他格式，例如稀疏矩阵。

一旦估计器拟合完成，它就可以用于预测新数据的目标值。您无需重新训练估计器

>>> clf.predict(X)  # predict classes of the training data
array([0, 1])
>>> clf.predict([[4, 5, 6], [14, 15, 16]])  # predict classes of new data
array([0, 1])

您可以查看选择正确的估计器，了解如何为您的用例选择合适的模型。

转换器和预处理器#

机器学习工作流通常由不同部分组成。典型的管道包括转换或填充数据的预处理步骤，以及预测目标值的最终预测器。

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

>>> from sklearn.preprocessing import StandardScaler
>>> X = [[0, 15],
...      [1, -10]]
>>> # scale data according to computed scaling values
>>> 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就是为此类用例而设计的。

管道：链接预处理器和估计器#

转换器和估计器（预测器）可以组合成一个统一的对象：Pipeline。管道提供了与普通估计器相同的 API：它可以使用 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，即训练数据中泄露一些测试数据。

在以下示例中，我们加载 Iris 数据集，将其分成训练集和测试集，并计算管道在测试数据上的准确率得分。

>>> 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
...
>>> # create a pipeline object
>>> pipe = make_pipeline(
...     StandardScaler(),
...     LogisticRegression()
... )
...
>>> # load the iris dataset and split it into train and test sets
>>> X, y = load_iris(return_X_y=True)
>>> X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)
...
>>> # fit the whole pipeline
>>> pipe.fit(X_train, y_train)
Pipeline(steps=[('standardscaler', StandardScaler()),
                ('logisticregression', LogisticRegression())])
>>> # we can now use it like any other estimator
>>> 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在新数据上也会表现良好。这需要直接进行评估。我们刚刚看到了train_test_split辅助函数，它将数据集分成训练集和测试集，但 scikit-learn 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的工具。

我们在这里简要展示如何使用cross_validate辅助函数执行5折交叉验证过程。请注意，也可以手动迭代折叠、使用不同的数据分割策略以及使用自定义评分函数。有关更多详细信息，请参阅我们的用户指南。

>>> 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)  # defaults to 5-fold CV
>>> result['test_score']  # r_squared score is high because dataset is easy
array([1., 1., 1., 1., 1.])

自动参数搜索#

所有估计器都有可调的参数（文献中常称为超参数）。估计器的泛化能力通常关键取决于几个参数。例如，一个RandomForestRegressor有一个 n_estimators 参数，它决定了森林中树的数量，以及一个 max_depth 参数，它决定了每棵树的最大深度。通常，这些参数的确切值应该是什么并不清楚，因为它们取决于具体的数据。

Scikit-learn 提供了自动寻找最佳参数组合（通过交叉验证）的工具。在以下示例中，我们使用RandomizedSearchCV对象在随机森林的参数空间中进行随机搜索。搜索完成后，RandomizedSearchCV的行为就像一个已经用最佳参数集拟合过的RandomForestRegressor。更多内容请参阅用户指南

>>> 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)
...
>>> # define the parameter space that will be searched over
>>> param_distributions = {'n_estimators': randint(1, 5),
...                        'max_depth': randint(5, 10)}
...
>>> # now create a searchCV object and fit it to the data
>>> 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}

>>> # the search object now acts like a normal random forest estimator
>>> # with max_depth=9 and n_estimators=4
>>> search.score(X_test, y_test)
0.73...

注意

在实践中，您几乎总是希望在管道上进行搜索，而不是单个估计器。主要原因之一是，如果您在不使用管道的情况下对整个数据集应用预处理步骤，然后执行任何类型的交叉验证，您将违反训练数据和测试数据之间的独立性这一基本假设。实际上，由于您使用整个数据集对数据进行了预处理，测试集的一些信息将对训练集可用。这将导致高估估计器的泛化能力（您可以在这篇Kaggle 文章中阅读更多内容）。

将管道用于交叉验证和搜索将大大避免这种常见陷阱。

下一步#

我们简要介绍了估计器拟合与预测、预处理步骤、管道、交叉验证工具和自动超参数搜索。本指南应能让您对该库的一些主要功能有所了解，但 scikit-learn 还有更多内容！

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

您还可以查看我们的众多示例，它们阐述了 scikit-learn 在许多不同上下文中的使用。