一、环境安装与基础认知

1.1 依赖库安装

本机提前装好Python3.8及以上版本，终端执行安装命令，一次性配齐机器学习全量依赖：

# pip一键安装
pip install scikit-learn pandas numpy matplotlib joblib
# Anaconda用户可选
conda install scikit-learn numpy pandas matplotlib

安装完成后，在Python终端导入验证，无报错即环境就绪：

import sklearn, pandas, numpy, matplotlib
print(sklearn.__version__)

1.2 sklearn四大核心模块与机器学习任务划分

1）库结构拆分（新手必记）

• datasets：内置开源数据集（鸢尾花、波士顿房价、葡萄酒数据集，练手专用）
• preprocessing：数据预处理（标准化、编码、缺失值填充）
• model_selection：数据集拆分、交叉验证、超参搜索
• linear_model/tree/ensemble：各类算法模型包（线性、决策树、集成树）
• metrics：模型效果评估指标（准确率、MSE、AUC、F1）
• pipeline：流水线组件，串联预处理+模型，规避数据泄露

2）两大主流任务

监督学习（带标签，项目最常用）

• 分类：输出离散类别（判断是否患病、商品好坏、花卉品种）
• 回归：输出连续数值（预测房价、销量、收入）
  无监督学习（无标签）
• 聚类：用户分群、异常检测（Kmeans）、降维PCA

1.3 sklearn统一API规范（重中之重，全库通用）

所有模型固定三步调用，fit训练、predict预测、score打分，切换算法仅需更换模型实例，不用改写整体代码：

1. model.fit(X_train,y_train)：用训练数据拟合模型（无监督只需X_train）
2. y_pred = model.predict(X_test)：测试集预测结果
3. model.score(X_test,y_test)：一键输出模型得分（分类准确率/回归R²）

二、实战案例一：监督学习·鸢尾花多分类（入门首选）

任务说明：根据花瓣、花萼长宽4项特征，区分3种鸢尾花品种，sklearn内置经典数据集，零数据准备成本。

2.1 加载数据+数据探查

from sklearn.datasets import load_iris
import pandas as pd

# 加载内置数据集
iris = load_iris()
# X特征数据，y标签（0/1/2对应3种花）
X, y = iris.data, iris.target
# 转为DataFrame方便肉眼查看数据
df = pd.DataFrame(X, columns=iris.feature_names)
df["flower_type"] = [iris.target_names[i] for i in y]
print("数据集样本总量：",X.shape[0])
print("特征字段：",iris.feature_names)
print("花卉类别：",iris.target_names)
print(df.head(3))

2.2 数据集拆分（训练集+测试集，项目硬性规范）

不能用全部数据训练再自测，拆分目的：训练集学规律，测试集模拟真实新数据，检验泛化能力

from sklearn.model_selection import train_test_split
'''
参数说明：
test_size：测试集占比20%，训练集80%；
random_state：固定随机种子，每次拆分结果一致，方便复现代码；
stratify=y：分层抽样，训练/测试集中各类样本占比和原数据一致，避免某类数据全进训练/测试集
'''
X_train,X_test,y_train,y_test = train_test_split(
    X,y,test_size=0.2,random_state=42,stratify=y
)
print("训练集大小：",X_train.shape)
print("测试集大小：",X_test.shape)

2.3 模型选择、训练与预测

选用K近邻KNN分类器，同时演示替换随机森林，直观感受API统一：

# 方式1：KNN分类
from sklearn.neighbors import KNeighborsClassifier
knn = KNeighborsClassifier(n_neighbors=5) # n_neighbors邻近样本数
knn.fit(X_train,y_train) # 训练
y_pred_knn = knn.predict(X_test) # 测试集预测

# 方式2：随机森林分类（只需更换模型一行代码）
from sklearn.ensemble import RandomForestClassifier
rf = RandomForestClassifier(n_estimators=50,random_state=42)
rf.fit(X_train,y_train)
y_pred_rf = rf.predict(X_test)

2.4 分类模型效果评估

from sklearn.metrics import accuracy_score,classification_report
# 准确率：预测正确样本/总样本
acc_knn = accuracy_score(y_test,y_pred_knn)
acc_rf = accuracy_score(y_test,y_pred_rf)
print(f"KNN准确率：{acc_knn:.2f}")
print(f"随机森林准确率：{acc_rf:.2f}")
# 详细分类报告（精确率、召回率、F1分数，不平衡数据集必备）
print(classification_report(y_test,y_pred_rf,target_names=iris.target_names))

三、实战案例二：监督学习·波士顿房价回归预测

任务：根据房屋面积、楼层、配套等特征，预测房屋成交均价（连续数值，回归任务）

3.1 数据载入与拆分

from sklearn.datasets import load_diabetes # 新版sklearn移除波士顿，用糖尿病数据集替代回归练手
data = load_diabetes()
X,y = data.data,data.target
# 划分数据集
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.2,random_state=42)

3.2 数据标准化（回归/距离类模型必做预处理）

KNN、线性回归、SVM对特征数值范围敏感，不同单位特征需要标准化：用训练集均值方差缩放测试集，禁止全量数据统一标准化（数据泄露重大错误）

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
# fit仅从训练集学习均值、标准差；transform执行缩放
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test) # 测试集只用transform！

3.3 线性回归建模+回归指标评估

回归不用准确率，采用MAE平均绝对误差、MSE均方误差、R²拟合优度：

from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_absolute_error,mean_squared_error,r2_score

lr = LinearRegression()
lr.fit(X_train_scaled,y_train)
y_pred = lr.predict(X_test_scaled)

# 评估
mae = mean_absolute_error(y_test,y_pred)
mse = mean_squared_error(y_test,y_pred)
r2 = r2_score(y_test,y_pred)
print(f"平均绝对误差MAE：{mae:.2f}")
print(f"均方误差MSE：{mse:.2f}")
print(f"拟合优度R²：{r2:.2f}")
# 查看特征权重
print("各特征系数：",lr.coef_)

四、进阶1：Pipeline流水线（项目工程化必备，根治数据泄露）

实际项目多步骤：特征预处理→模型训练，Pipeline把多步骤封装成一条流水线，自动分步执行fit/transform，是企业标准写法，避免手动拆分预处理出错。

from sklearn.pipeline import Pipeline

# 流水线：第一步标准化，第二步随机森林
pipe = Pipeline(steps=[
    ("std",StandardScaler()),
    ("rf",RandomForestClassifier(random_state=42))
])
# 一行完成预处理+训练，不用手动缩放数据
pipe.fit(X_train,y_train)
pred = pipe.predict(X_test)
print("流水线模型准确率：",accuracy_score(y_test,pred))

五、进阶2：交叉验证，规避单次拆分偶然性

单次划分数据集结果有随机性，5折交叉验证：数据分5份，轮流4份训练1份测试，取平均分，评估模型真实泛化性能。

from sklearn.model_selection import cross_val_score
# cv=5 5折交叉验证
scores = cross_val_score(knn,X,y,cv=5,scoring="accuracy")
print("5折验证各轮准确率：",scores.round(2))
print("交叉验证平均准确率：",scores.mean().round(2))

六、进阶3：网格搜索GridSearchCV自动调超参数

新手手动试参数效率极低，GridSearch遍历指定参数组合，自动选出最优超参，集成交叉验证。

from sklearn.model_selection import GridSearchCV
# KNN候选参数
param_grid = {"n_neighbors":[3,5,7,9,11]}
grid = GridSearchCV(KNeighborsClassifier(),param_grid,cv=5)
grid.fit(X_train,y_train)
print("最优近邻数：",grid.best_params_)
print("最优模型交叉验证得分：",grid.best_score_.round(2))
# 最优模型预测
best_pred = grid.best_estimator_.predict(X_test)

七、进阶4：模型持久化保存与加载（落地部署）

训练好的模型不用重复训练，joblib保存为本地文件，线上直接加载预测新数据：

import joblib
# 保存模型
joblib.dump(grid.best_estimator_,"best_iris_model.pkl")
# 后续加载模型
load_model = joblib.load("best_iris_model.pkl")
# 新样本预测
new_sample = [[5.1,3.5,1.4,0.2]]
res = load_model.predict(new_sample)
print("预测花卉：",iris.target_names[res[0]])

八、无监督入门：Kmeans聚类（无标签数据自动分组）

场景：用户画像分群、商品聚类，无需标签y，仅传入特征X

from sklearn.cluster import KMeans
# 分3簇
kmeans = KMeans(n_clusters=3,random_state=42)
cluster_label = kmeans.fit_predict(X)
# 输出每个样本所属分组
print("聚类分组结果：",cluster_label[:10])