000-基于sklearn的机器学习入门：工作环境搭建与配置

本专栏将介绍基于Scikit-learn(简称sklearn)的机器学习入门知识。包括但不一定限于，机器学习基本知识、sklearn库简介，基于Sklearn库的机器学习实践。

这是本专栏的第000篇，将介绍如何安装和配置sklearn环境，不仅包括Sklearn库的安装和配置，还包括本教程所用的Python开发环境——Jupyterlab软件的安装配置。

目录

0.1 sklearn简介

0.2 sklearn 的安装与配置

0.3 其他工具安装与配置

0.3.1 Jupyterlab的安装与配置

（1）安装Jupyterlab

（2）配置Jupyterlab

0.1 sklearn简介

sklearn (全称 scikit-Learn) 是一个基于 Python 语言的机器学习工具，更准确的说，它是一个专用于机器学习的Python扩展库。它建立在 NumPy, SciPy, Pandas 和 Matplotlib 之上，里面的 API 的设计非常好，所有对象的接口简单，很适合新手上路。

在sklearn 里面有六大任务模块：分别是分类(Classification)、回归(Regression)、聚类(Clustering)、降维(Dimensionality reduction)、模型选择(Model selection)和预处理(Preprocessing)，如下图从其官网的截屏。目前最新版本为1.15（update to 2024-06）

sklearn六大功能模块（图像来自官网）

下面从功能、应用及主要方法等方面，对这六个模块简要说明：

（1）各模块功能说明

预处理

功能：特征提取和归一化。
应用：将输入数据转换为机器学习算法适用的格式
算法：预处理、特征提取等

模型选择

功能：比较、验证和选择参数和模型。
应用：通过参数调整提高精度。
算法：网格搜索、交叉验证、度量等

分类

功能：识别对象属于哪一类（对应离散量）。
应用：垃圾邮件检测，图像识别。
算法：梯度增强、最近邻、随机森林、逻辑回归等

回归

功能：预测与对象关联的连续值属性。
应用：药物反应，股票价格。
算法：梯度增强、最近邻居、随机森林、山脊（ridge）等等

聚类

功能：无监督方法，将相似的对象自动分组到集合中。
应用：客户细分，分组实验结果。
算法：k-Means、HDBSCAN、层次聚类等

降维

功能：减少要考虑的随机变量的数量。
应用：可视化，提高效率。
算法：主成分分析（PCA）、特征选择、非负矩阵分解（NMF）等。

0.2 sklearn 的安装与配置

前面提到，sklearn库是scipy的一个扩展库，即sklearn会大量调用scipy库中的函数直接使用，因此，如果想正常使用sklearn，则scipy是必需提前安装的。

另外scipy库调用了numpy中的函数完成基本的数值计算，又调用了matplotlib中的函数完成绘图功能，因此，numpy和matplotlib也是必需提前安装的。

以下是这三个库功能的简要介绍：

• Numpy（Numerical Python的缩写）是一个开源的Python科学计算库。在Python中虽然提供了list容器和array模块，但这些结构并不适合于进行数值计算，因此需要借助于Numpy库创建常用的数据结构（如：多维数组，矩阵等）以及进行常用的科学计算（如：矩阵运算）。
• Scipy库是sklearn库的基础，它是基于Numpy的一个集成了多种数学算法和函数的Python模块。它的不同子模块有不同的应用，如：积分、插值、优化和信号处理等。
• matplotlib是基于Numpy的一套Python工具包，它提供了大量的数据绘图工具，主要用于绘制一些统计图形，将大量的数据转换成更加容易被接受的图表。

下图可以形象地说明以上各库的调用关系：

sklearn库与numpy，scipy和matplotlib库之间的关系

幸运的是，如果我们通过安装Anaconda来搭建Python运行环境时，上述各库是自动安装好的。简直不要太方便了。

如果不放心，可以打开Anaconda Navigator，找到环境配置选项，选中“Installed”，然后在搜索框中键入“learn”，即可查询到已安装的sklearn库的信息，如下图所示：

Anaconda Navigator中查询sklearn安装情况

大家有没有注意到一个细节，除了提示安装了“scikit-learn”库之外，Anaconda内还预先安装了另外一个库“scikit-learn-intelex”，看说明应该是一个专门为Intel CPU设计的用于sklearn加速的扩展库。实际应用中，并没有专门测试是否使用该库对处理速度的影响，但既然有这个库，还是建议大家优先考虑使用Intel的平台。

当然，如果确实想从纯净的Python环境下从头安装和配置sklearn环境，则建议搜索相关技术帖子。安装步骤一般是：

1. 1Numpy库
2. Scipy库
3. matplotlib库
4. sklearn库

安装方式也有两种，一种是在线的pip安装，第二种是离线的pip安装，两者的区别在于，后者先将对应版本的whl文件下载到本机指定的路径下再安装。在不能保证外网一直能够保持畅通的情况下，建议采用第二种本地安装方式。在此给出一个常用的用于下载Python扩展库对应的whl文件的下载链接：https://pypi.python.org/pypi。

相关的资料，在网上能够很方便地搜索到，在此不再赘述。

最后再啰嗦几句，如果确实想确认是否已经成功安装sklearn库，则打开Python命令行运行环境，键入以下四行命令：

import numpy
import matplotlib
import scipy
import sklcarn

如果没有任何错误提示，即表示可以正常使用上述各库了。

0.3 其他工具安装与配置

由于本教程专注与机器学习基本理论和方法的sklearn实现，而不是应用，因此不是用任何IDE工具用于代码编辑和调试。在此选用了Jupyter系列中的Notebook和lab作为各类算法的开发和验证。

notebook和lab是Jupyter提供的两种功能强大的工具，两者相比，lab可以看作是notebook的增强版，因此我们最终选用Jupyter lab作为本教程主要的代码编辑工具。

当然，为了学习方便，我会讲文本、公式、图表和代码，都在本教程中一一呈现。大家可将本教程中的资料很方便地转换成Jupyter lab进行发布。

有关Jupyter lab的安装和配置文件，网上教程也很多。为了便于大家查阅，我讲自己在另外一个专栏中有关内容直接复制粘贴过来。

0.3.1 Jupyterlab的安装与配置

（1）安装Jupyterlab

首先安装某些依赖，至于这些依赖不安装有什么影响，说实话，我目前也不清楚。

sudo apt install nodejs npm

接下来，安装libffi-dev，

sudo apt install libffi-dev

接下来，就是本节的主角了，使用pip3安装Jupyterlab，

pip3 install jupyter jupyterlab

整个过程较长，经过几分钟的等待，以及终端窗口大段的warning提醒，终于完成了Jupyterlab的安装。一定要先重启机器，目的是让系统自动改写默写Path变量。然后在命令窗口键入jupyter lab，系统会正常启动浏览器，然后就会在默认的路径下创建一个未命名的ipynb文件，并等待编辑。

看到熟悉的notebook的编辑窗口，真是感觉亲切至极。到此算是完成Jupyterlab的基本设置，但这才刚刚开始，还有更多内容等待设置，当然这些设置并不都是必需的，大家可根据个人的编程习惯，自行浏览。

（2）配置Jupyterlab

下面介绍生成Jupyterlab的配置文件，并完成修改的流程。

首先使用以下命令，生成Jupyterlab的配置文件：

jupyter lab --generate-config

可使用编辑命令，修改配置文件：

nano /home/jetson/.jupyter/jupyter_lab_config.py

至于设置内容，可根据个人需要自行确定，不再单独说明。

使用一下语句，添加界面对中文的支持。

pip3 install jupyterlab-language-pack-zh-CN

完成中文包的安装后，即可将Jupyterlab的界面设置为中文。