HoRain云--Scikit-learn全攻略：从入门到精通-育师

🎬 HoRain 云小助手：个人主页

⛺️生活的理想，就是为了理想的生活!

⛳️ 推荐

前些天发现了一个超棒的服务器购买网站，性价比超高，大内存超划算！忍不住分享一下给大家。点击跳转到网站。

Scikit-learn（sklearn）是 Python 中最核心的机器学习库之一，它以一致的接口涵盖了从数据预处理到模型训练的各个环节。下面这个表格汇总了其最常用的一些模型，方便您快速查阅和建立整体印象。

模型类别	模型名称	主要用途	核心特点
监督学习	线性回归 (`LinearRegression`)	预测连续型数值	简单、可解释性强，适用于线性关系
逻辑回归 (`LogisticRegression`)	分类（特别是二分类）	输出概率，可处理多分类问题
支持向量机 (`SVC`,`SVR`)	分类与回归	可通过核函数处理非线性问题，适合高维数据
决策树 (`DecisionTreeClassifier/Regressor`)	分类与回归	模型直观易解释，但容易过拟合
随机森林 (`RandomForestClassifier/Regressor`)	分类与回归	决策树的集成，抗过拟合，性能稳定
K近邻 (`KNeighborsClassifier/Regressor`)	分类与回归	简单，无需训练，但预测时计算开销大
无监督学习	K-Means (`KMeans`)	聚类	将数据划分为K个簇，适用于球形簇结构
主成分分析 (`PCA`)	降维	减少特征数量，保留最大方差，用于可视化或预处理
DBSCAN (`DBSCAN`)	聚类	基于密度，能发现任意形状的簇，可识别噪声点

🔧 标准使用流程

无论选择哪种模型，在 Scikit-learn 中都有一个高度一致的使用模式，这大大降低了学习成本。其核心步骤如下：

导入模型：从相应的模块中导入需要的模型类。

from sklearn.linear_model import LinearRegression from sklearn.ensemble import RandomForestClassifier

实例化模型：创建模型对象，在此过程中可以设置模型的超参数。

model = LinearRegression() rf_model = RandomForestClassifier(n_estimators=100) # 设置森林中树的数量为100

训练模型：使用训练集数据对模型进行训练，所有模型都使用.fit()方法。
```
model.fit(X_train, y_train)
```
进行预测：使用训练好的模型对新的数据进行预测，使用.predict()方法。
```
predictions = model.predict(X_test)
```

评估模型：使用评估指标函数来衡量模型的性能。

from sklearn.metrics import mean_squared_error, accuracy_score # 回归问题常用均方误差（MSE） mse = mean_squared_error(y_test, predictions) # 分类问题常用准确率（Accuracy） accuracy = accuracy_score(y_test, predictions)