Scikit-learn 是一个开源的 Python 机器学习库，它为分类、回归、聚类等经典任务提供了一整套简洁、高效且易于使用的工具。

1. 主要算法分类

目前主流的算法可分为以下几类：

1.1 监督学习 (Supervised Learning)

向计算机提供已标记的数据（即数据与对应的正确答案/标签），让其学习数据与标签之间的映射关系。

常见的神经网络就属于监督学习的一种方式。

1.2 非监督学习 (Unsupervised Learning)

仅向计算机提供数据，不提供任何标签或答案，由计算机自行探索数据内部的结构、关联和规律。

计算机通过观察数据间的特性，自动进行聚类或降维，总结出隐藏的模式。

1.3 半监督学习 (Semi-Supervised Learning)

结合了监督学习与非监督学习的特点，利用少量有标签的样本和大量无标签的样本共同进行训练和分类。

1.4 强化学习 (Reinforcement Learning)

通过“试错”来学习。将计算机（Agent）置于一个陌生的环境中，通过与环境交互获得奖励或惩罚，从而学习到能最大化奖励的行为策略。

Agent自行尝试各种行为，根据行为结果（奖励或惩罚）不断调整和优化策略，最终学会在特定环境下完成任务的方法。

AlphaGo便是应用强化学习的著名案例。

1.5 遗传算法 (Genetic Algorithm)

模拟生物进化论中“适者生存，优胜劣汰”原则的一种优化算法。

过程：

1. 初始化：创建一组初始解决方案（“种群”）。
2. 评估：根据预设标准评估每个方案的优劣。
3. 选择：淘汰表现差的方案，选择表现好的方案（“强者”）进行“繁殖”和“变异”。
4. 迭代：重复评估和选择过程，不断进化出更优的解决方案或模型。

2. 选择合适的机器学习模型

在开始选择模型前，需要对数据进行初步评估：

数据量检查：样本数量 (Sample Size) 是首要的判断依据。

• 样本数量 < 50：当前数据量过小，训练出的模型可能泛化能力差、准确度低。应优先考虑收集更多的数据。
• 样本数量 > 50：可以进入下一步，根据任务类型选择合适的算法分支。

可以将机器学习问题大致归为以下四类：

2.1 分类 (Classification)

预测一个数据样本属于哪个预定义的类别。

学习类型：监督学习

2.2 回归 (Regression)

预测一个连续的数值，而非类别。

学习类型：监督学习

2.3 聚类 (Clustering)

在没有预先定义类别的情况下，将数据根据其内在的相似性自动分组（分簇）。

学习类型：非监督学习

2.4 降维 (Dimensionality Reduction)

减少数据中的特征（属性）数量，同时尽可能保留最重要的信息。

学习类型：通常为非监督学习

降维并非简单地从原有特征中挑选一部分，而是通过数学变换，将高维特征（例如，描述房价的20个因素）映射为低维的新特征（例如2个综合因素）。新的特征是原有所有特征的综合体现，旨在抓住数据的主要矛盾。

---

算法的通用性

许多机器学习算法非常灵活，稍作调整即可用于解决不同类型的问题。例如，随机梯度下降 (SGD) 是一种基础的优化算法，它既可以用于分类任务 (SGDClassifier)，也可以用于回归任务 (SGDRegressor)，只是在处理和优化目标上有所不同。

特征 (Features) vs. 标签 (Labels)：

特征：描述数据点的属性或输入变量。在房价预测案例中，“房屋面积”、“地段”、“建造年份”等都是特征。

标签：我们希望预测的目标变量，即正确答案。在房价预测案例中，“房屋价格”就是标签。监督学习需要同时包含特征和标签的数据，而非监督学习通常只使用特征。

---

3. 使用 KNN 算法对鸢尾花 (Iris) 进行分类

Scikit-learn 将绝大多数机器学习模型的应用流程进行了统一，掌握此模式即可触类旁通，高效使用库中的各种算法。其核心步骤可概括为：

导入：从 sklearn 库中导入所需的模型

实例化：创建模型对象，可在此步骤设置模型的超参数

训练 (Fit) ：使用 .fit(X_train, y_train) 方法，将训练集数据喂给模型进行学习

预测：使用 .predict(X_test) 方法，让训练好的模型对新的测试数据进行预测

3.1 导入库与数据

import numpy as np
from sklearn import datasets
from sklearn.model_selection import train_test_split # 用于划分数据集
from sklearn.neighbors import KNeighborsClassifier # KNN模型

numpy: 用于高效的数值计算。

sklearn.datasets: 包含多种可供练习的经典数据集，如此处用到的 load_iris。

sklearn.model_selection.train_test_split: 将数据集划分为训练集和测试集的标准工具。

sklearn.neighbors.KNeighborsClassifier: 本次案例中使用的分类算法。

3.2 数据加载

首先，加载 sklearn 内置的鸢尾花数据集，并分离特征和标签。

# 1.载入数据集
iris = datasets.load_iris()# 2.分离数据集
iris_X = iris.data  # 特征
iris_y = iris.target    # 标签

特征 (iris_X) ：描述样本属性的数据。每个样本包含 4 个特征。

说明：鸢尾花数据集的 4 个特征分别是：花萼长度 (Sepal Length)、花萼宽度 (Sepal Width)、花瓣长度 (Petal Length)、花瓣宽度 (Petal Width)。

示例数据：

[[5.1 3.5 1.4 0.2][4.9 3.  1.4 0.2]]

标签 (iris_y) ：每个样本所属的类别。

说明：该数据集包含 3 个类别，分别用 0, 1, 2 表示。

数据概览：[0, 0, ..., 1, 1, ..., 2, 2, ...]

3.3 数据集划分

为了客观评估模型的性能，需将数据集划分为训练集（用于学习）和测试集（用于评估）。

# 3.划分数据集
X_train, X_test, y_train, y_test = train_test_split(iris_X, iris_y, test_size=0.3)

train_test_split(...)：是 scikit-learn 库中的一个函数，用来把数据集分成两部分：训练集和测试集

test_size=0.3：这个参数表示测试集占总数据的 30%，训练集占 70%

返回值：

X_train, X_test, y_train, y_test

函数会返回 4 个结果：

名称	含义
X_train	训练集的特征数据
X_test	测试集的特征数据
y_train	训练集的标签数据
y_test	测试集的标签数据

train_test_split的作用：

防止数据泄露：模型在训练时不应接触到测试数据，否则评估结果会过于乐观，无法反映其在未知数据上的真实表现。

自动打乱数据：该函数默认会随机打乱数据顺序再进行划分。这对于机器学习至关重要，可以防止模型因数据原始排列顺序（如按类别排序）而产生偏见。

3.4 模型训练与预测

遵循 Scikit-learn 的标准流程进行模型训练和预测。

# 4.实例化模型
knn = KNeighborsClassifier()# 5.训练模型
knn.fit(X_train, y_train)   # 训练完成后，所有学习到的参数都保存在模型对象自身的属性中，# 6.对测试集进行预测
predictions = knn.predict(X_test)

3.5 结果评估

将模型的预测结果与真实的测试集标签进行对比，以评估模型效果。

print("预测结果:\n",predictions,"\n")
print("真实结果:\n",y_test,)

输出示例:

预测结果:
[1 2 0 1 2 1 0 0 2 0 1 1 2 1 1 0 2 1 1 0 2 2 2 0 0 2 0 0 1 0 2 1 0 1 0 0 12 2 0 2 2 2 2 2] 真实结果: 
[1 2 0 1 2 1 0 0 2 0 1 1 2 1 1 0 2 1 1 0 2 2 2 0 0 2 0 0 1 0 2 1 0 1 0 0 11 2 0 2 2 2 2 2]

结论：可以看到预测结果与真实结果高度相似，但可能存在个别误差。这是机器学习的本质——模型致力于逼近真实规律，而非实现 100% 的精确复刻。如同人类会犯错一样，模型也存在误差范围。

---

4. 数据集的加载与生成

sklearn.datasets 为机器学习实践提供了丰富的数据来源，主要包含两大类数据：

真实世界数据集：

经过清洗和格式化的、源于真实世界问题的经典数据集。通常以 load_* 的形式调用，例如 load_iris()、load_boston()。

合成数据集：

可根据用户指定的参数（如样本数、特征数、噪声水平等）动态生成具有特定统计特性的数据。通常以 make_* 的形式调用，例如 make_regression()、make_classification()。

4.1 加载真实数据集并进行线性回归

使用加州房价数据集(fetch_california_housing()) 来加载数据并应用线性回归模型。

from sklearn import datasets
from sklearn.linear_model import LinearRegression   # 线性回归模型
from sklearn.model_selection import train_test_split# 1.加载数据集
loaded_data = datasets.fetch_california_housing()# 2.分离数据集
data_X = loaded_data.data   # 特征
data_y = loaded_data.target # 标签# 3.划分数据集
X_train, X_test, y_train, y_test = train_test_split(data_X, data_y,)# 4.实例化模型
model = LinearRegression()# 5.训练模型
model.fit(X_train, y_train)# 6.对测试集进行预测
predictions = model.predict(X_test[:4, :])print("预测房价:", predictions)
print("真实房价:", data_y[:4])

Scikit-learn 的标准化数据接口：
通过 load_* 加载的数据集对象，其特征和标签分别存储在 .data 和 .target 属性中，这种高度统一的模式简化了数据调用流程。

运行结果：

预测房价: [2.22492568 4.02422823 1.34033317 0.88996126]
真实房价: [4.526 3.585 3.521 3.413]

预测值与真实值存在差距
模型的预测结果与真实值不完全一致是正常的，这是机器学习的固有特性。原因包括：

模型简化：线性回归模型本身是一个简化的数学抽象，可能无法捕捉所有复杂现实因素。

数据质量：原始数据可能包含噪声或未包含所有关键特征。

缺少优化步骤：为了获得更高精度，通常需要：

• 数据预处理：例如对特征进行归一化。
• 模型调优：尝试不同的模型或调整当前模型的超参数。

---

4.2 生成合成回归数据并可视化

使用 make_regression 生成一组用于回归分析的数据，并用 matplotlib 将其可视化。

import matplotlib.pyplot as plt# 1. 使用 make_regression 生成随机数据
#    n_samples: 样本数量
#    n_features: 特征数量
#    n_targets: 目标值数量
#    noise: 数据的噪声水平，值越大，数据点越离散
X, y = datasets.make_regression(n_samples=100, n_features=1, n_targets=1, noise=10)# 2. 使用散点图进行可视化
plt.scatter(X, y)# 3. 显示图像
plt.show()

make_regression 关键参数：

• n_samples: 生成的样本点数量。
• n_features: 每个样本点的特征维度。
• noise: 施加到数据上的高斯噪声的标准差，用于模拟真实世界数据的不完美性。

执行上述代码会生成一张散点图。图中的数据点大致沿一条直线分布，但由于设置了 noise，点会在这条直线周围散布，为训练和测试回归模型提供了一个理想的、可控的数据环境。

---

5. 模型属性与方法

5.1 区分超参数和学习到的属性

超参数：在创建模型时由用户手动设置的参数，用于控制模型的学习过程，如LinearRegression(fit_intercept=True) 中的 fit_intercept，使用 model.get_params() 方法查看

学习到的属性：模型在调用 .fit() 方法、从数据中学习后所得到的内部参数，Scikit-learn 的所有学习属性都以一个下划线 _ 结尾，例如 coef_，在模型训练 (.fit()) 完成后，通过 model.attribute_ 查看

5.2 LinearRegression模型的核心属性与功能

from sklearn import datasets
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split # 1.加载数据集
loaded_data = datasets.fetch_california_housing()# 2.分离数据集
data_X = loaded_data.data   # 特征
data_y = loaded_data.target # 标签# 3.划分数据集
X_train, X_test, y_train, y_test = train_test_split(data_X, data_y,)# 4.实例化模型
model = LinearRegression()# 5.训练模型
model.fit(X_train, y_train)print("模型系数 (coef_):", model.coef_)print("模型截距 (intercept_):", model.intercept_)print("模型参数 (get_params):", model.get_params())score = model.score(X_test, y_test)
print(f"模型在测试集上的 R^2 得分: {score}")

5.2.1 查看学习到的属性

在线性回归的数学公式 y = w_1*x_1 + ... + w_n*x_n + b 中：

model.coef_ ：系数 (Coefficients)， 对应于公式中的权重 w，是一个数组，每个值代表对应特征的重要性或影响力。

model.intercept_ ：截距 (Intercept)， 对应于公式中的偏置项 b，是一个标量值，代表当所有特征值都为0时，预测值的基准。

5.2.2 查看模型的超参数

model.get_params() ：以字典形式返回创建模型时设置的所有超参数。如果你没有手动设置，则返回的是默认值。

输出示例：{'copy_X': True, 'fit_intercept': True, 'n_jobs': None, 'positive': False}

5.2.3 评估模型性能

model.score(X, y) ：对模型进行性能评估并返回一个分数。

score 方法的打分机制：

• 对于回归模型：返回的是 R² (R-squared, 决定系数)， 表示模型对数据变化的解释程度。值域通常在 0 到 1 之间。
• 对于分类模型：返回的是平均准确率， 即“预测正确的样本数 / 总样本数”。

好的，这是根据您提供的视频字幕和截图资料，为您生成的一份关于特征缩放（Feature Scaling）的学习笔记。

---

6. 特征缩放

特征缩放是将不同特征的数值范围调整到相似的尺度上。

当一个模型中的多个特征数值范围（量纲）差异巨大时（例如，房屋面积为 0-2000平方英尺，而房间数量为 1-5个），优化算法（如梯度下降）的收敛过程会变得低效。未缩放的特征会导致成本函数 J(θ) 的等高线图呈椭圆形，算法需要多次振荡才能找到最优解（最小值点）。

在进行特征缩放后，成本函数的等高线图会更接近圆形，使得梯度下降可以沿着更直接、更高效的路径收敛到最优点，从而加快模型训练速度并提升性能。

Scikit-Learn 的 preprocessing 模块提供了多种特征缩放工具，preprocessing.scale() 的作用是将数据进行标准化，即分别处理每一列特征，使其平均值为 0，标准差为 1。

代码示例：

from sklearn import preprocessing
import numpy as np# 创建一个特征尺度差异很大的数组
# 第1列范围: -100 ~ 120
# 第2列范围: 2.7 ~ 20
# 第3列范围: -2 ~ 40
a = np.array([[10, 2.7, 3.6],[-100, 5, -2],[120, 20, 40]
], dtype=np.float64)# 使用 scale 函数进行标准化
scaled_a = preprocessing.scale(a)print("原始数据:\n", a)
print("\n标准化后的数据:\n", scaled_a)

输出结果：

原始数据:[[  10.    2.7   3.6][-100.    5.   -2. ][ 120.   20.   40. ]]标准化后的数据:[[ 0.         -0.85170713 -0.55138018][-1.22474487 -0.55187146 -0.852133  ][ 1.22474487  1.40357859  1.40351318]]

可以看到，标准化后，每一列的数值都被缩放到一个相似的范围内。

说明：****StandardScaler 类与 scale 函数
在实际项目中，更推荐使用 sklearn.preprocessing.StandardScaler 类。scale 函数会一步到位地计算并转换整个数据集，但在划分训练集和测试集时，我们必须保证用训练集的参数（均值、标准差）来转换测试集，以防止数据泄露。StandardScaler 对象可以先在训练数据上 fit()，然后用同一个对象去 transform() 训练集和测试集，操作更规范、安全。

---

特征缩放对支持向量机（SVC）分类准确率的影响：

1. 生成并可视化数据
   使用 make_classification 生成一组具有较大尺度（scale=100）的样本数据。从散点图可以看出，数据本身是线性可分的，但其特征值分布在 -400 到 400 的广大区间内。
2. 对比实验
   使用相同的 SVC 模型，在“未缩放”和“已缩放”两种数据上分别进行训练和评估。
   直接在原始数据上训练模型，其在测试集上的准确率仅为 48.8% 。这表明模型完全无法有效学习。
   先使用 preprocessing.scale() 对数据进行标准化，再进行训练和测试，准确率大幅提升至 94.4% 。

from sklearn import preprocessing
from sklearn.model_selection import train_test_split
from sklearn.datasets import make_classification
from sklearn.svm import SVC
import matplotlib.pyplot as plt# 1. 生成数据
X, y = make_classification(n_samples=300, n_features=2, n_redundant=0, n_informative=2,random_state=22, n_clusters_per_class=1, scale=100
)# 2. 对比实验
X_scaled = preprocessing.scale(X) # 对整个特征集进行标准化
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.3)# 3. 训练并评估模型
clf = SVC()
clf.fit(X_train, y_train)
print("进行特征缩放后的准确率: ", clf.score(X_test, y_test)) 

其他缩放方法：归一化 (Min-Max Scaling)
除了标准化，另一种常见的缩放方法是归一化，它通过 sklearn.preprocessing.MinMaxScaler 实现。归一化将每个特征的数值线性地缩放到一个给定的区间，默认为 [0, 1]。其计算公式为：
X_scaled = (X - X_min) / (X_max - X_min)
当数据分布有明显的边界且不符合高斯分布时，归一化是一个不错的选择。

哪些算法需要特征缩放？

高度敏感的算法一般需要特征缩放， 任何基于距离计算的算法（如 K-NN、K-Means）、依赖梯度下降优化的算法（如线性回归、逻辑回归、神经网络）以及依赖特征方差的算法（如主成分分析 PCA）。支持向量机（SVM）对尺度也非常敏感。

基本不敏感则一般不需要： 树模型（如决策树、随机森林、梯度提升树）。因为树模型在选择分裂点时是基于单个特征的，不涉及特征间的距离或幅度比较，因此对尺度不敏感。