怎么將Scikit-learn Python庫用于數據科學項目

這篇文章主要為大家展示了“怎么將Scikit-learn Python庫用于數據科學項目”，內容簡而易懂，條理清晰，希望能夠幫助大家解決疑惑，下面讓小編帶領大家一起研究并學習一下“怎么將Scikit-learn Python庫用于數據科學項目”這篇文章吧。

什么是 Scikit-learn？

Scikit-learn 是一個開源 Python 庫，擁有強大的數據分析和數據挖掘工具。 在 BSD 許可下可用，并建立在以下機器學習庫上：

• NumPy，一個用于操作多維數組和矩陣的庫。它還具有廣泛的數學函數匯集，可用于執行各種計算。

• SciPy，一個由各種庫組成的生態系統，用于完成技術計算任務。

• Matplotlib，一個用于繪制各種圖表和圖形的庫。

Scikit-learn 提供了廣泛的內置算法，可以充分用于數據科學項目。

以下是使用 Scikit-learn 庫的主要方法。

1、分類

分類工具識別與提供的數據相關聯的類別。例如，它們可用于將電子郵件分類為垃圾郵件或非垃圾郵件。

Scikit-learn 中的分類算法包括：

• 支持向量機Support vector machines

  （SVM）

• 最鄰近Nearest neighbors
• 隨機森林Random forest

2、回歸

回歸涉及到創建一個模型去試圖理解輸入和輸出數據之間的關系。例如，回歸工具可用于理解股票價格的行為。

回歸算法包括：

• 支持向量機Support vector machines

  （SVM）

• 嶺回歸Ridge regression

• Lasso（LCTT 譯注：Lasso 即 least absolute shrinkage and selection operator，又譯為最小絕對值收斂和選擇算子、套索算法）

3、聚類

Scikit-learn 聚類工具用于自動將具有相同特征的數據分組。 例如，可以根據客戶數據的地點對客戶數據進行細分。

聚類算法包括：

• K-means

• 譜聚類Spectral clustering

• Mean-shift

4、降維

降維降低了用于分析的隨機變量的數量。例如，為了提高可視化效率，可能不會考慮外圍數據。

降維算法包括：

• 主成分分析Principal component analysis

  （PCA）

• 功能選擇Feature selection
• 非負矩陣分解Non-negative matrix factorization

5、模型選擇

模型選擇算法提供了用于比較、驗證和選擇要在數據科學項目中使用的***參數和模型的工具。

通過參數調整能夠增強精度的模型選擇模塊包括：

• 網格搜索Grid search
• 交叉驗證Cross-validation
• 指標Metrics

6、預處理

Scikit-learn 預處理工具在數據分析期間的特征提取和規范化中非常重要。 例如，您可以使用這些工具轉換輸入數據（如文本）并在分析中應用其特征。

預處理模塊包括：

• 預處理

• 特征提取

Scikit-learn 庫示例

讓我們用一個簡單的例子來說明如何在數據科學項目中使用 Scikit-learn 庫。

我們將使用鳶尾花花卉數據集，該數據集包含在 Scikit-learn 庫中。 鳶尾花數據集包含有關三種花種的 150 個細節，三種花種分別為：

• Setosa：標記為 0

• Versicolor：標記為 1

• Virginica：標記為 2

數據集包括每種花種的以下特征（以厘米為單位）：

• 萼片長度

• 萼片寬度

• 花瓣長度

• 花瓣寬度

第 1 步：導入庫

由于鳶尾花花卉數據集包含在 Scikit-learn 數據科學庫中，我們可以將其加載到我們的工作區中，如下所示：

from sklearn import datasetsiris = datasets.load_iris()

這些命令從 sklearn 導入數據集 datasets 模塊，然后使用 datasets 中的 load_iris() 方法將數據包含在工作空間中。

第 2 步：獲取數據集特征

數據集 datasets 模塊包含幾種方法，使您更容易熟悉處理數據。

在 Scikit-learn 中，數據集指的是類似字典的對象，其中包含有關數據的所有詳細信息。 使用 .data 鍵存儲數據，該數據列是一個數組列表。

例如，我們可以利用 iris.data 輸出有關鳶尾花花卉數據集的信息。

print(iris.data)

這是輸出（結果已被截斷）：

[[5.1 3.5 1.4 0.2] [4.9 3.  1.4 0.2] [4.7 3.2 1.3 0.2] [4.6 3.1 1.5 0.2] [5.  3.6 1.4 0.2] [5.4 3.9 1.7 0.4] [4.6 3.4 1.4 0.3] [5.  3.4 1.5 0.2] [4.4 2.9 1.4 0.2] [4.9 3.1 1.5 0.1] [5.4 3.7 1.5 0.2] [4.8 3.4 1.6 0.2] [4.8 3.  1.4 0.1] [4.3 3.  1.1 0.1] [5.8 4.  1.2 0.2] [5.7 4.4 1.5 0.4] [5.4 3.9 1.3 0.4] [5.1 3.5 1.4 0.3]

我們還使用 iris.target 向我們提供有關花朵不同標簽的信息。

print(iris.target)

這是輸出：

[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2]

如果我們使用 iris.target_names，我們將輸出數據集中找到的標簽名稱的數組。

print(iris.target_names)

以下是運行 Python 代碼后的結果：

['setosa' 'versicolor' 'virginica']

第 3 步：可視化數據集

我們可以使用箱形圖來生成鳶尾花數據集的視覺描繪。 箱形圖說明了數據如何通過四分位數在平面上分布的。

以下是如何實現這一目標：

import seaborn as snsbox_data = iris.data  # 表示數據數組的變量box_target = iris.target  # 表示標簽數組的變量sns.boxplot(data = box_data,width=0.5,fliersize=5)sns.set(rc={'figure.figsize':(2,15)})

讓我們看看結果：

在橫軸上：

• 0 是萼片長度

• 1 是萼片寬度

• 2 是花瓣長度

• 3 是花瓣寬度

垂直軸的尺寸以厘米為單位。

總結

以下是這個簡單的 Scikit-learn 數據科學教程的完整代碼。

from sklearn import datasetsiris = datasets.load_iris()print(iris.data)print(iris.target)print(iris.target_names)import seaborn as snsbox_data = iris.data  # 表示數據數組的變量box_target = iris.target  # 表示標簽數組的變量sns.boxplot(data = box_data,width=0.5,fliersize=5)sns.set(rc={'figure.figsize':(2,15)})

以上是“怎么將Scikit-learn Python庫用于數據科學項目”這篇文章的所有內容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內容對大家有所幫助，如果還想學習更多知識，歡迎關注億速云行業資訊頻道！