Scikit-learn 学习思维导图

Scikit-learn 学习思维导图

说明

• 数据预处理：包括数据缩放、缺失值处理和类别编码等。

• 模型选择：通过交叉验证、网格搜索和随机搜索选择最佳模型。

• 监督学习：涵盖线性模型、决策树、支持向量机和集成方法。

• 无监督学习：包括聚类、降维和密度估计。

• 模型评估：使用准确率、混淆矩阵和ROC曲线评估模型性能。

• 特征工程：涉及特征选择、特征提取和特征构造。

• 数据预处理：

  • 数据缩放
    • StandardScaler: 标准化(z-score标准化),将特征转换为均值为0,方差为1的分布
      • 适用场景:特征分布不同量级,对异常值敏感
      • 优点:保持异常值的影响,可用于有监督学习
      • 缺点:受异常值影响较大

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

    • MinMaxScaler: 归一化,将特征缩放到[0,1]区间
      • 适用场景:特征分布相对集中,对异常值不敏感
      • 优点:保持零值,压缩所有特征到相同尺度
      • 缺点:不能处理新数据中超出范围的值

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

  • 缺失值处理
    • SimpleImputer: 使用均值、中位数或常数填充缺失值
      • 适用场景:数据缺失随机,比例不高
      • 优点:实现简单,计算快速
      • 缺点:可能引入偏差

      from sklearn.impute import SimpleImputer
      imputer = SimpleImputer(strategy='mean')
      X_imputed = imputer.fit_transform(X)
      

    • IterativeImputer: 使用其他特征预测缺失值
      • 适用场景:特征间存在相关性
      • 优点:考虑特征关系,填充更准确
      • 缺点:计算复杂,耗时较长
  • 类别编码
    • LabelEncoder: 将类别转换为整数编码
      • 适用场景:标签编码
      • 优点:简单直观
      • 缺点:产生序数关系
    • OneHotEncoder: 独热编码
      • 适用场景:类别特征,无序性
      • 优点:不引入序数关系
      • 缺点:产生稀疏矩阵,维度灾难

完整示例:

• 模型选择：

  • 交叉验证 (cross_val_score)
    • 适用场景：评估模型泛化性能
    • 优点：减少过拟合风险,结果更可靠
    • 缺点：计算开销大

    from sklearn.model_selection import cross_val_score
    scores = cross_val_score(model, X, y, cv=5)
    print(f"交叉验证分数: {scores.mean():.3f} (+/- {scores.std() * 2:.3f})")
    

  • 网格搜索 (GridSearchCV)
    • 适用场景：穷举超参数组合
    • 优点：可找到最优参数组合
    • 缺点：计算量大,耗时长

    from sklearn.model_selection import GridSearchCV
    param_grid = {'max_depth': [3,5,7], 'min_samples_split': [2,3,4]}
    grid_search = GridSearchCV(model, param_grid, cv=5)
    grid_search.fit(X, y)
    print(f"最佳参数: {grid_search.best_params_}")
    

• 监督学习：

  • 线性回归 (LinearRegression)
    • 适用场景：特征与目标呈线性关系
    • 优点：模型简单,可解释性强
    • 缺点：无法处理非线性关系

    from sklearn.linear_model import LinearRegression
    model = LinearRegression()
    model.fit(X, y)
    y_pred = model.predict(X_test)
    

  • 决策树 (DecisionTreeClassifier)
    • 适用场景：分类问题,特征重要性分析
    • 优点：易于理解,可处理非线性关系
    • 缺点：容易过拟合

    from sklearn.tree import DecisionTreeClassifier
    model = DecisionTreeClassifier(max_depth=3)
    model.fit(X, y)
    

• 无监督学习：

  • K均值聚类 (KMeans)
    • 适用场景：数据分组,客户细分
    • 优点：简单高效
    • 缺点：需预先指定簇数

    from sklearn.cluster import KMeans
    kmeans = KMeans(n_clusters=3)
    clusters = kmeans.fit_predict(X)
    

  • 主成分分析 (PCA)
    • 适用场景：降维,特征提取
    • 优点：可降低维度,保留主要信息
    • 缺点：特征不易解释

    from sklearn.decomposition import PCA
    pca = PCA(n_components=2)
    X_reduced = pca.fit_transform(X)
    

• 模型评估：

  • 分类报告 (classification_report)
    • 适用场景：分类模型评估
    • 优点：全面的评估指标
    • 缺点：需要真实标签

    from sklearn.metrics import classification_report
    print(classification_report(y_true, y_pred))
    

  • ROC曲线 (roc_curve)
    • 适用场景：二分类模型评估
    • 优点：可视化模型性能
    • 缺点：仅适用于二分类

    from sklearn.metrics import roc_curve, auc
    fpr, tpr, _ = roc_curve(y_true, y_pred_proba)
    roc_auc = auc(fpr, tpr)
    

• 特征工程：

  • 特征选择 (SelectKBest)
    • 适用场景：降维,去除无关特征
    • 优点：减少过拟合,提高效率
    • 缺点：可能丢失有用信息

    from sklearn.feature_selection import SelectKBest, f_classif
    selector = SelectKBest(f_classif, k=5)
    X_selected = selector.fit_transform(X, y)
    

  • 多项式特征 (PolynomialFeatures)
    • 适用场景：非线性特征构造
    • 优点：捕捉非线性关系
    • 缺点：特征数量增长快

    from sklearn.preprocessing import PolynomialFeatures
    poly = PolynomialFeatures(degree=2)
    X_poly = poly.fit_transform(X)