Scikit Learn

Scikit-learn

概述

本技能提供使用 scikit-learn 进行机器学习任务的全面指南。scikit-learn 是经典机器学习领域的行业标准 Python 库。当需要进行分类、回归、聚类、降维、数据预处理、模型评估以及构建生产级 ML 流水线时，请使用本技能。

安装

# 使用 uv 安装 scikit-learn
uv uv pip install scikit-learn

# 可选：安装可视化依赖
uv uv pip install matplotlib seaborn

# 常用搭配
uv uv pip install pandas numpy

适用场景

在以下情况下使用 scikit-learn 技能：

• 构建分类或回归模型
• 执行聚类或降维
• 为机器学习预处理和转换数据
• 使用交叉验证评估模型性能
• 使用网格搜索或随机搜索调优超参数
• 为生产工作流创建 ML 流水线
• 比较不同算法在同一任务上的表现
• 处理结构化（表格）数据和文本数据
• 需要可解释的经典机器学习方法

快速上手

分类示例

from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report

# 划分数据
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, stratify=y, random_state=42
)

# 预处理
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

# 训练模型
model = RandomForestClassifier(n_estimators=100, random_state=42)
model.fit(X_train_scaled, y_train)

# 评估
y_pred = model.predict(X_test_scaled)
print(classification_report(y_test, y_pred))

混合数据的完整流水线

from sklearn.pipeline import Pipeline
from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import StandardScaler, OneHotEncoder
from sklearn.impute import SimpleImputer
from sklearn.ensemble import GradientBoostingClassifier

# 定义特征类型
numeric_features = ['age', 'income']
categorical_features = ['gender', 'occupation']

# 创建预处理流水线
numeric_transformer = Pipeline([
    ('imputer', SimpleImputer(strategy='median')),
    ('scaler', StandardScaler())
])

categorical_transformer = Pipeline([
    ('imputer', SimpleImputer(strategy='most_frequent')),
    ('onehot', OneHotEncoder(handle_unknown='ignore'))
])

# 组合转换器
preprocessor = ColumnTransformer([
    ('num', numeric_transformer, numeric_features),
    ('cat', categorical_transformer, categorical_features)
])

# 完整流水线
model = Pipeline([
    ('preprocessor', preprocessor),
    ('classifier', GradientBoostingClassifier(random_state=42))
])

# 拟合和预测
model.fit(X_train, y_train)
y_pred = model.predict(X_test)

核心能力

1. 监督学习

涵盖分类和回归任务的全面算法。

核心算法：

• 线性模型：逻辑回归、线性回归、Ridge、Lasso、ElasticNet
• 树模型：决策树、随机森林、梯度提升
• 支持向量机：SVC、SVR，支持多种核函数
• 集成方法：AdaBoost、Voting、Stacking
• 神经网络：MLPClassifier、MLPRegressor
• 其他：朴素贝叶斯、K 近邻

适用场景：

• 分类：预测离散类别（垃圾邮件检测、图像分类、欺诈检测）
• 回归：预测连续值（价格预测、需求预测）

详见： references/supervised_learning.md，包含详细的算法文档、参数说明和使用示例。

2. 无监督学习

通过聚类和降维发现无标签数据中的模式。

聚类算法：

• 基于划分：K-Means、MiniBatchKMeans
• 基于密度：DBSCAN、HDBSCAN、OPTICS
• 层次聚类：AgglomerativeClustering
• 概率模型：高斯混合模型
• 其他：MeanShift、SpectralClustering、BIRCH

降维方法：

• 线性方法：PCA、TruncatedSVD、NMF
• 流形学习：t-SNE、UMAP、Isomap、LLE
• 特征提取：FastICA、LatentDirichletAllocation

适用场景：

• 客户分群、异常检测、数据可视化
• 降低特征维度、探索性数据分析
• 主题建模、图像压缩

详见： references/unsupervised_learning.md，包含详细文档。

3. 模型评估与选择

提供稳健的模型评估、交叉验证和超参数调优工具。

交叉验证策略：

• KFold、StratifiedKFold（分类任务）
• TimeSeriesSplit（时间序列数据）
• GroupKFold（分组样本）

超参数调优：

• GridSearchCV（穷举搜索）
• RandomizedSearchCV（随机采样）
• HalvingGridSearchCV（逐次减半）

评估指标：

• 分类：准确率、精确率、召回率、F1 分数、ROC AUC、混淆矩阵
• 回归：MSE、RMSE、MAE、R²、MAPE
• 聚类：轮廓系数、Calinski-Harabasz 指数、Davies-Bouldin 指数

适用场景：

• 客观比较模型性能
• 寻找最优超参数
• 通过交叉验证防止过拟合
• 通过学习曲线理解模型行为

详见： references/model_evaluation.md，包含全面的指标和调优策略。

4. 数据预处理

将原始数据转换为适合机器学习的格式。

缩放和归一化：

• StandardScaler（零均值、单位方差）
• MinMaxScaler（限定范围）
• RobustScaler（对异常值鲁棒）
• Normalizer（按样本归一化）

分类变量编码：

• OneHotEncoder（无序分类）
• OrdinalEncoder（有序分类）
• LabelEncoder（标签编码）

缺失值处理：

• SimpleImputer（均值、中位数、众数填充）
• KNNImputer（K 近邻填充）
• IterativeImputer（多元迭代填充）

特征工程：

• PolynomialFeatures（交互项）
• KBinsDiscretizer（分箱）
• 特征选择（RFE、SelectKBest、SelectFromModel）

适用场景：

• 训练需要特征缩放的算法之前（SVM、KNN、神经网络）
• 将分类变量转换为数值格式
• 系统性处理缺失数据
• 为线性模型创建非线性特征

详见： references/preprocessing.md，包含详细的预处理技术。

5. 流水线与组合

构建可复现的生产级 ML 工作流。

核心组件：

• Pipeline：将转换器和估计器串联
• ColumnTransformer：对不同列应用不同预处理
• FeatureUnion：并行组合多个转换器
• TransformedTargetRegressor：转换目标变量

优势：

• 防止交叉验证中的数据泄漏
• 简化代码、提高可维护性
• 支持联合超参数调优
• 确保训练和预测的一致性

适用场景：

• 生产工作流中始终使用 Pipeline
• 混合数值和分类特征时（使用 ColumnTransformer）
• 在包含预处理步骤的交叉验证中
• 超参数调优包含预处理参数时

详见： references/pipelines_and_composition.md，包含全面的流水线模式。

示例脚本

分类流水线

运行完整的分类工作流，包含预处理、模型比较、超参数调优和评估：

python scripts/classification_pipeline.py

此脚本演示：

• 处理混合数据类型（数值和分类）
• 使用交叉验证进行模型比较
• 使用 GridSearchCV 进行超参数调优
• 使用多种指标进行全面评估
• 特征重要性分析

聚类分析

执行聚类分析，包含算法比较和可视化：

python scripts/clustering_analysis.py

此脚本演示：

• 确定最优聚类数（肘部法、轮廓系数分析）
• 比较多种聚类算法（K-Means、DBSCAN、层次聚类、高斯混合模型）
• 在没有真实标签的情况下评估聚类质量
• 使用 PCA 投影可视化结果

参考文档

本技能包含全面的参考文件，用于深入研究特定主题：

快速参考

文件： references/quick_reference.md

• 常见导入模式和安装说明
• 常见任务的快速工作流模板
• 算法选择速查表
• 常见模式和注意事项
• 性能优化技巧

监督学习

文件： references/supervised_learning.md

• 线性模型（回归和分类）
• 支持向量机
• 决策树和集成方法
• K 近邻、朴素贝叶斯、神经网络
• 算法选择指南

无监督学习

文件： references/unsupervised_learning.md

• 所有聚类算法的参数和使用场景
• 降维技术
• 异常值和新颖性检测
• 高斯混合模型
• 方法选择指南

模型评估

文件： references/model_evaluation.md

• 交叉验证策略
• 超参数调优方法
• 分类、回归和聚类指标
• 学习曲线和验证曲线
• 模型选择最佳实践

预处理

文件： references/preprocessing.md

• 特征缩放和归一化
• 分类变量编码
• 缺失值填充
• 特征工程技术
• 自定义转换器

流水线与组合

文件： references/pipelines_and_composition.md

• 流水线构建和使用
• 用于混合数据类型的 ColumnTransformer
• 用于并行转换的 FeatureUnion
• 完整的端到端示例
• 最佳实践

常见工作流

构建分类模型

1. 加载和探索数据

   import pandas as pd
   df = pd.read_csv('data.csv')
   X = df.drop('target', axis=1)
   y = df['target']
   

2. 分层划分数据

   from sklearn.model_selection import train_test_split
   X_train, X_test, y_train, y_test = train_test_split(
       X, y, test_size=0.2, stratify=y, random_state=42
   )
   

3. 创建预处理流水线

   from sklearn.pipeline import Pipeline
   from sklearn.preprocessing import StandardScaler
   from sklearn.compose import ColumnTransformer
   
   # 分别处理数值和分类特征
   preprocessor = ColumnTransformer([
       ('num', StandardScaler(), numeric_features),
       ('cat', OneHotEncoder(), categorical_features)
   ])
   

4. 构建完整流水线

   model = Pipeline([
       ('preprocessor', preprocessor),
       ('classifier', RandomForestClassifier(random_state=42))
   ])
   

5. 调优超参数

   from sklearn.model_selection import GridSearchCV
   
   param_grid = {
       'classifier__n_estimators': [100, 200],
       'classifier__max_depth': [10, 20, None]
   }
   
   grid_search = GridSearchCV(model, param_grid, cv=5)
   grid_search.fit(X_train, y_train)
   

6. 在测试集上评估

   from sklearn.metrics import classification_report
   
   best_model = grid_search.best_estimator_
   y_pred = best_model.predict(X_test)
   print(classification_report(y_test, y_pred))
   

执行聚类分析

1. 预处理数据

   from sklearn.preprocessing import StandardScaler
   
   scaler = StandardScaler()
   X_scaled = scaler.fit_transform(X)
   

2. 确定最优聚类数

   from sklearn.cluster import KMeans
   from sklearn.metrics import silhouette_score
   
   scores = []
   for k in range(2, 11):
       kmeans = KMeans(n_clusters=k, random_state=42)
       labels = kmeans.fit_predict(X_scaled)
       scores.append(silhouette_score(X_scaled, labels))
   
   optimal_k = range(2, 11)[np.argmax(scores)]
   

3. 应用聚类

   model = KMeans(n_clusters=optimal_k, random_state=42)
   labels = model.fit_predict(X_scaled)
   

4. 使用降维可视化

   from sklearn.decomposition import PCA
   
   pca = PCA(n_components=2)
   X_2d = pca.fit_transform(X_scaled)
   
   plt.scatter(X_2d[:, 0], X_2d[:, 1], c=labels, cmap='viridis')
   

最佳实践

始终使用流水线

流水线可防止数据泄漏并确保一致性：

# 正确：预处理在流水线中
pipeline = Pipeline([
    ('scaler', StandardScaler()),
    ('model', LogisticRegression())
])

# 错误：预处理在外部（可能泄漏信息）
X_scaled = StandardScaler().fit_transform(X)

仅在训练数据上拟合

切勿在测试数据上拟合：

# 正确
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)  # 仅转换

# 错误
scaler = StandardScaler()
X_all_scaled = scaler.fit_transform(np.vstack([X_train, X_test]))

分类任务使用分层划分

保持类别分布：

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

设置随机种子以确保可复现性

model = RandomForestClassifier(n_estimators=100, random_state=42)

选择合适的评估指标

• 平衡数据：准确率、F1 分数
• 不平衡数据：精确率、召回率、ROC AUC、平衡准确率
• 成本敏感：自定义评分器

需要时进行特征缩放

需要特征缩放的算法：

• SVM、KNN、神经网络
• PCA、带正则化的线性/逻辑回归
• K-Means 聚类

不需要缩放的算法：

• 树模型（决策树、随机森林、梯度提升）
• 朴素贝叶斯

常见问题排查

ConvergenceWarning（收敛警告）

问题： 模型未收敛 解决方案： 增加 max_iter 或对特征进行缩放

model = LogisticRegression(max_iter=1000)

测试集表现差

问题： 过拟合 解决方案： 使用正则化、交叉验证或更简单的模型

# 添加正则化
model = Ridge(alpha=1.0)

# 使用交叉验证
scores = cross_val_score(model, X, y, cv=5)

大数据集内存不足

解决方案： 使用专为大数据设计的算法

# 大数据集使用 SGD
from sklearn.linear_model import SGDClassifier
model = SGDClassifier()

# 聚类使用 MiniBatchKMeans
from sklearn.cluster import MiniBatchKMeans
model = MiniBatchKMeans(n_clusters=8, batch_size=100)

更多资源

• 官方文档：https://scikit-learn.org/stable/
• 用户指南：https://scikit-learn.org/stable/user_guide.html
• API 参考：https://scikit-learn.org/stable/api/index.html
• 示例库：https://scikit-learn.org/stable/auto_examples/index.html

使用限制

• 仅在任务明确匹配上述范围时使用本技能。
• 不要将输出视为环境特定验证、测试或专家评审的替代品。
• 如果缺少必要的输入、权限、安全边界或成功标准，请停下来寻求澄清。