Scikit-learn

• 它解决什么：Scikit-Learn（安装包名写作 scikit-learn）是 Python 生态里被引用次数最多的机器学习库之一，官网 https://scikit-learn.org/，采用 BSD 许可开源，装上即可使用。它把分类、回归、聚类、降维这几类传统任务收敛到同一套接口上——换算法只需替换那一行构造器，fit、predict、transform 的调用写法完全不变。

底层建立在 NumPy 的数组结构与 SciPy 的稀疏矩阵之上，Pandas 处理出来的表格也能直接喂进去，因此在数据挖掘和数据分析的日常脚本里出现得极其频繁。

• 装起来：pip install -U scikit-learn 是官方推荐路径；用 conda 管理环境则执行 conda install -c conda-forge scikit-learn，NumPy、SciPy、joblib 会作为依赖一并安装。

用 pip 装之前，建议先确认当前解释器和 NumPy 版本能否匹配。

• 跑通一个模型：库自带 Iris 鸢尾花、Digits 手写数字等内置数据集，省去到处找数据的麻烦；把三行连起来写就是 iris = datasets.load_iris() X = iris.data y = iris.target。换成自己的数据则 pd.read_csv('your_dataset.csv') 读一份 CSV 文件进来，再用 data.drop('target_column', axis=1) 和 data['target_column'] 拆成 X 与 y。

引入 Pandas 主要是为了读表和做清洗。

• 切分与缩放这一步：train_test_split(X, y, test_size=0.2, random_state=42) 得到四份数据，接着 scaler = StandardScaler()，训练集走 scaler.fit_transform(X_train)，测试集只能 scaler.transform(X_test)——若在这里重新 fit，测试集的均值方差就泄进了训练流程，得到的分数会偏乐观。
• 训练与评估：model = LogisticRegression() 配上 model.fit(X_train, y_train)，predict 得到 y_pred，再用 accuracy = accuracy_score(y_test, y_pred) 拿整体准确率，classification_report(y_test, y_pred) 按类别列出精确率、召回率和 F1。

想打印结果就写 print(f'Accuracy: {accuracy:.2f}')。新样本同样要先过一遍缩放，写成 new_data = np.array([[5.1, 3.5, 1.4, 0.2]])，然后 prediction = model.predict(new_data)，print(f'Prediction: {prediction}') 就能看到预测结果。

• 挑模型这件事：cross_val_score 负责交叉验证，GridSearchCV 与 RandomizedSearchCV 负责超参数搜索。GridSearchCV(estimator, param_grid, cv=5) 写好候选字典再 fit，best_params_ 给出最优组合、best_score_ 给出对应的交叉验证分数；候选空间铺得太宽时换 RandomizedSearchCV，用随机采样代替穷举，算力能省一大截。

只想粗估泛化表现则用 cross_val_score(model, X, y, cv=5)，五次划分的分数一起返回，比单次留出更能反映稳定性。

• 把步骤接到一块：Pipeline 把缩放、特征选择和估计器打包成单个对象，交叉验证时每一折只在训练部分 fit scaler，天然避开了上面那处泄漏；ColumnTransformer 则允许数值列和类别列走各自的预处理分支。

一个完整脚本的

• import 段落归拢成一行就是：import numpy as np import pandas as pd from sklearn import datasets from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.linear_model import LogisticRegression from sklearn.metrics import accuracy_score。
• 算法家底：线性模型与树模型之外，Bagging、Boosting、随机森林这类集成方法齐全；多输出分类、多输出回归以及多标签任务也受支持，同一个模型同时预测多个目标值是可行的。
• 预处理的活：特征缩放、缺失值填补、类别编码、特征选择都有对应工具，不必自己写循环。
• 拿它做什么：垃圾邮件识别、图像分类、疾病诊断属于典型的判别任务；房价、股价、销量的连续值预测归入回归；K 均值等无监督算法常用来做客户分群，PCA 则习惯把高维数据压到二维做散点可视化。
• 边界在哪里：GPU 训练、深度神经网络、超大规模稀疏场景不在它的射程内，这些活更适合交给 PyTorch、XGBoost 或 Spark MLlib；它的主场是中小规模表格数据上的传统建模。
• 上线：落盘写成 import joblib joblib.dump(model, 'model.pkl')，读取时 model = joblib.load('model.pkl')，服务端还原出同一个 model 对象即可对外提供预测。
• 上手资料：官网挂着用户指南、API 参考和大量示例页，每个估计器都有可运行的 demo，遇到参数拿不准时比翻网上那些笔记博客更省时间。