Python作为机器学习领域的主流开发语言，搭配Scikit-learn库可以快速完成各类机器学习任务，整个流程有固定的步骤可循，开发者按照规范操作就能高效实现需求。
环境准备与库安装
首先需要在本地环境中安装Python和Scikit-learn库，建议使用Python3.8及以上版本，避免兼容性问题。如果已经安装了pip包管理工具，可以直接执行以下命令完成安装：
# 安装Scikit-learn库，会自动安装依赖的numpy、scipy等库 pip install scikit-learn
安装完成后可以在Python交互式环境中验证是否安装成功：
# 验证Scikit-learn版本 import sklearn print(sklearn.__version__)
数据加载与预处理
机器学习任务的第一步是获取并处理数据，Scikit-learn内置了多个经典数据集，也支持加载本地自定义数据。以内置的鸢尾花数据集为例，加载后需要先划分训练集和测试集，再进行必要的预处理操作。
数据集加载与划分
使用train_test_split函数可以将数据集按比例划分为训练集和测试集，通常训练集占70%到80%，测试集占20%到30%。
from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split # 加载鸢尾花数据集 iris_data = load_iris() # 提取特征数据和标签数据 x_data = iris_data.data y_data = iris_data.target # 划分训练集和测试集，测试集占比30%，随机种子设为42保证结果可复现 x_train, x_test, y_train, y_test = train_test_split(x_data, y_data, test_size=0.3, random_state=42)
数据预处理操作
如果特征数据的量纲差异较大，需要进行标准化处理，避免影响模型训练效果。Scikit-learn的StandardScaler可以完成特征标准化，将特征缩放到均值为0、方差为1的范围。
from sklearn.preprocessing import StandardScaler # 初始化标准化器 scaler = StandardScaler() # 仅用训练集拟合标准化器，避免数据泄露 scaler.fit(x_train) # 转换训练集和测试集 x_train_scaled = scaler.transform(x_train) x_test_scaled = scaler.transform(x_test)
模型选择与训练
根据任务类型选择合适的模型，分类任务可以选择K近邻、决策树、支持向量机等模型，回归任务可以选择线性回归、随机森林回归等模型。这里以K近邻分类模型为例，介绍模型训练的基本流程。
from sklearn.neighbors import KNeighborsClassifier # 初始化K近邻分类器，设置近邻数为5 knn_model = KNeighborsClassifier(n_neighbors=5) # 用训练集数据拟合模型 knn_model.fit(x_train_scaled, y_train)
模型评估与调优
模型训练完成后需要用测试集评估其性能，分类任务常用的评估指标有准确率、精确率、召回率、F1值等，Scikit-learn提供了对应的评估函数可以直接调用。
from sklearn.metrics import accuracy_score, classification_report
# 用测试集预测结果
y_pred = knn_model.predict(x_test_scaled)
# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("模型准确率：", accuracy)
# 输出详细的分类报告
print(classification_report(y_test, y_pred))
如果模型效果不符合预期，可以通过调整模型参数进行优化，比如修改K近邻的近邻数、调整决策树的深度等，也可以使用网格搜索自动寻找最优参数组合。
模型保存与加载
训练好的模型可以保存到本地，后续使用时直接加载即可，不需要重新训练。Scikit-learn支持使用joblib或者pickle模块保存模型。
from joblib import dump, load
# 保存模型到本地文件
dump(knn_model, "knn_iris_model.joblib")
# 从本地加载模型
loaded_model = load("knn_iris_model.joblib")
# 验证加载的模型效果
loaded_pred = loaded_model.predict(x_test_scaled)
print("加载模型的准确率：", accuracy_score(y_test, loaded_pred))
常见问题说明
- 数据预处理时为什么要仅用训练集拟合标准化器：如果同时用训练集和测试集拟合，会导致测试集的信息泄露到训练过程中，评估结果会偏高，不符合实际应用场景。
- 如何选择合适的模型：可以先尝试多个不同类型的 baseline 模型，对比它们的评估指标，再选择效果最好的模型进行后续优化。
- 随机种子的作用：设置固定的随机种子可以保证每次划分数据集、初始化模型参数的结果一致，方便调试和复现实验结果。
PythonScikit-learn机器学习数据预处理修改时间：2026-06-14 13:03:31