机器学习环境搭建
1 课程概览
本课介绍机器学习开发环境的搭建，核心为安装scikit-learn库。同时讲解scikit-learn库的特点、依赖关系，以及机器学习算法选择路径图，帮助根据数据量和任务类型选择合适的算法。
2 核心概念与定义
- scikit-learn（sklearn）：基于Python的简单高效的数据挖掘和数据分析工具，开源可商业使用。
- NumPy：scikit-learn的底层依赖之一，科学计算库。
- SciPy：scikit-learn的底层依赖之一。
- Matplotlib：scikit-learn的底层依赖之一，绘图库。
- 算法选择路径图（Algorithm Selection Path）：根据样本数量、任务类型、是否有标签等条件选择合适算法的决策图。
3 算法与模型详解
3.1 scikit-learn库介绍
| 特性 | 说明 |
|---|---|
| 定位 | 数据挖掘和数据分析工具 |
| 基础 | 建立在NumPy、SciPy、Matplotlib之上 |
| 授权 | 开源，可商业使用 |
| 环境 | 可在各种环境中重复使用 |
3.2 安装方法
pip install scikit-learn
⚠️注意：包名是
scikit-learn，中间是减号（-），不是下划线（_）。安装时电脑需联网。
3.3 scikit-learn核心模块
| 模块名 | 功能 | 对应任务 |
|---|---|---|
classification | 分类 | 有监督，标签不连续 |
regression | 回归 | 有监督，标签连续 |
clustering | 聚类 | 无监督，无标签 |
preprocessing | 预处理 | 特征工程 |
model_selection | 模型选择 | 选择合适模型 |
dimensionality reduction | 降维 | 特征降维 |
3.4 机器学习算法选择路径图
开始
↓
样本数 > 50？ ——否——→ 获取更多数据
↓ 是
预测类别？
├── 分类（有标签）
│ └── 样本数 < 100K → 线性SVC、KNN、逻辑回归
├── 聚类（有类别预测）
│ └── 样本数 < 10K → KMeans等
├── 回归（预测数值）
│ └── 样本数 < 100K → 线性回归、岭回归等
└── 降维（仅观察结构）
└── 特征工程
3.5 三大算法类别
| 类别 | 说明 | 常用算法 |
|---|---|---|
| 分类 | 有监督，标签不连续 | KNN、逻辑回归、SVC |
| 回归 | 有监督，标签连续 | 线性回归、岭回归 |
| 聚类 | 无监督，无标签 | KMeans |
分类问题是机器学习中数量最多的算法类别。
4 数学原理与推导
本课无数学推导。
5 代码示例
# 安装scikit-learn（Python）
pip install scikit-learn
# 验证安装
import sklearn
print(sklearn.__version__)
6 重难点与易错提醒
- ❗重点：包名是
scikit-learn，中间是减号（-），不是下划线（_）。 - ❗重点：scikit-learn建立在NumPy、SciPy、Matplotlib之上。
- ⚠️易错：样本数小于50时，不要训练模型，应先获取更多数据（数据决定模型上限）。
- ⚠️易错：1K = 1000，样本数100K即10万。
- 💡深入理解：分类问题是机器学习中算法最多的类别，学习精力主要在分类问题。
7 课堂问答精选
Q: 机器学习的三大算法类别是什么？
A: 分类（有监督，标签不连续）、回归（有监督，标签连续）、聚类（无监督，无标签）。其中分类问题算法最多。
Q: 样本数小于50时应该怎么办？
A: 不要训练模型，应先获取更多数据。因为数据决定模型上限，数据太少无法训练出有效模型。
8 本课小结
- scikit-learn是Python机器学习库，基于NumPy、SciPy、Matplotlib。
- 安装命令：
pip install scikit-learn（注意是减号）。 - 核心模块：分类、回归、聚类、预处理、模型选择、降维。
- 算法选择路径：样本数>50→判断任务类型→选择算法。
- 三大算法类别：分类（最多）、回归、聚类。
9 延伸思考与实践
- 实践：在Anaconda环境中安装scikit-learn库。
- 思考：如何根据样本数量和任务类型选择合适的算法？
- 了解：访问scikit-learn官网，熟悉各类算法模块。