scikit-learn

像一位教练：按统一流程训练模型。

常写作 sklearn，里面装着许多常用算法和工具。

🌸 花朵🏠 房价📧 邮件

切分数据→训练模型→考试评分

92分

只需记住 3 步

1选工具分类、回归、聚类，各有合适的算法。

2统一训练都用 fit() 学习，用 predict() 作答。

3公平考试留一部分数据，检查它是否真的学会。

体验 fit → predict

🤖

还没学习

机器学习到底在学什么？

给模型很多“题目和答案”，让它自己找到输入与答案之间的规律。

面积 X₁	房龄 X₂	价格 y
80㎡	5年	320万
120㎡	2年	520万
60㎡	20年	180万

X → y特征与目标

X 是模型能看到的线索，例如面积和房龄；y 是希望预测的答案，例如房价。

训练：给 X 和 y。预测：只给新 X，让模型猜 y。

先判断是哪类问题

🐱 / 🐶分类 Classification

答案是类别：垃圾邮件还是正常邮件？

¥ 328回归 Regression

答案是连续数字：房价、销量、温度。

● ●　▲ ▲聚类 Clustering

没有标准答案，让模型自己寻找相似群体。

为什么要分训练集和测试集？

考试题提前泄露，分数就失去意义。机器学习也一样。

全部数据 100%→训练集 80%：用来学习＋测试集 20%：最后考试

学会规律

训练分数和测试分数都不错，面对新数据仍能工作。

过拟合

训练几乎满分，测试很差。模型把练习题背下来了。

一条完整的 sklearn 流水线

原始数据→缺失值→标准化→模型→预测

from sklearn.model_selection import train_test_split
from sklearn.pipeline import make_pipeline
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42)

model = make_pipeline(
    SimpleImputer(), StandardScaler(), LogisticRegression())
model.fit(X_train, y_train)
prediction = model.predict(X_test)
score = model.score(X_test, y_test)

train_test_split：先把练习题与考试题分开make_pipeline：把清洗、加工和模型锁成固定顺序fit：从训练集寻找规律predict：给测试题作答score：计算答对得怎样

“92分”到底代表什么？

指标	适合回答	需要注意
Accuracy 准确率	总共猜对多少比例？	类别极不平衡时容易骗人
Precision 精确率	判为“是”的里面有多少真是？	误报代价高时重要
Recall 召回率	真正的“是”找回了多少？	漏掉代价高时重要
F1	精确率和召回率的折中怎样？	仍要结合业务看
MAE	数字预测平均差多少？	单位与目标相同，直观

如何选第一个模型？

分类：先试 LogisticRegression；需要非线性时试 RandomForest。

回归：先试 LinearRegression；关系复杂时试 RandomForestRegressor。

聚类：知道大约分几群，可以先试 KMeans。

原则：先做简单基线，再增加复杂度。复杂模型也要通过测试集。

三个新手常踩的坑

先用全数据做标准化测试集信息泄露给训练过程，分数会虚高。预处理放进 Pipeline。

只看一个分数准确率高不等于业务可用。检查混淆矩阵、误报和漏报。

随机结果无法复现设置 random_state，让下次切分与训练结果可以重现。