scikit-learn（通常缩写为sklearn）是一个用于Python编程语言的强大机器学习库。它提供了各种分类、回归、聚类算法，以及数据预处理、降维和模型评估的工具。以下是sklearn的基础教程，帮助你开始使用它：
1. 安装scikit-learn
你可以使用pip来安装scikit-learn：
pip install scikit-learn
或者，如果你使用conda作为你的包和环境管理器，可以使用：
conda install scikit-learn
2. 加载数据集
sklearn自带了一些数据集，比如鸢尾花数据集（Iris dataset）和乳腺癌数据集（Breast Cancer dataset）。这些可以用于快速开始机器学习实验。
from sklearn.datasets import load_iris # 加载鸢尾花数据集 iris = load_iris() X = iris.data # 特征 y = iris.target # 标签
3. 数据预处理
在将数据输入到机器学习模型之前，通常需要进行一些预处理步骤，如特征缩放或编码分类变量。
from sklearn.preprocessing import StandardScaler # 特征缩放 scaler = StandardScaler() X_scaled = scaler.fit_transform(X)
4. 划分数据集
通常，我们将数据集划分为训练集和测试集，以便在训练模型后评估其性能。
from sklearn.model_selection import train_test_split # 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)
5. 选择和训练模型
sklearn提供了各种机器学习算法。以下是一个使用逻辑回归（Logistic Regression）进行分类的示例。
from sklearn.linear_model import LogisticRegression # 创建逻辑回归模型实例 model = LogisticRegression() # 训练模型 model.fit(X_train, y_train)
6. 评估模型
在训练模型后，我们使用测试集来评估其性能。
from sklearn.metrics import accuracy_score # 预测测试集 y_pred = model.predict(X_test) # 计算准确度 accuracy = accuracy_score(y_test, y_pred) print(f"Accuracy: {accuracy}")
7. 其他功能
除了上述基础功能外，sklearn还提供了其他许多功能，如模型调参（通过GridSearchCV或RandomizedSearchCV）、交叉验证、特征选择、降维（如PCA）、聚类（如KMeans）等。
8. 示例：使用决策树进行分类
以下是一个使用决策树（Decision Tree）进行分类的示例。
from sklearn.tree import DecisionTreeClassifier # 创建决策树模型实例 tree_model = DecisionTreeClassifier() # 训练模型 tree_model.fit(X_train, y_train) # 预测测试集并评估性能（省略了评估步骤，但你可以像上面那样使用accuracy_score）
9. 参考资料
scikit-learn官方文档：scikit-learn: machine learning in Python — scikit-learn 1.5.0 documentation- 机器学习书籍和教程，如《Python机器学习基础教程》等。
希望这个基础教程能帮助你开始使用scikit-learn！
人工智能相关文章推荐阅读：
