Python Academy · 课时

使用 Scikit-Learn 进行监督学习

Q: 「使用 Scikit-Learn 进行监督学习」这节课中我会学到什么？

构建并评估线性回归、分类等监督学习模型 你通过在浏览器中直接运行的动手代码来练习 Python Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。

构建并评估线性回归、分类等监督学习模型

使用 Scikit-Learn 进行监督学习 是 CoddyKit 上的免费 Python Academy 课时。这是第 2 节课，共 6 节。你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。这是 Python Academy 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 Python Academy 课程共包含 6 节课。

使用 Scikit-Learn 进行监督学习

监督学习使用带标签的数据训练模型，从而进行预测或对数据点进行分类。Scikit-learn 是一个用于实现监督学习模型的常用 Python 库。

在本课中，您将学习如何使用 Scikit-learn 构建和评估监督学习模型。

什么是监督学习

监督学习使用带标签的数据，其中每个输入都有对应的输出。目标是学习从输入到输出的映射关系。

常见任务包括：

回归：预测连续值，例如房价。
分类：预测类别，例如判断是否为垃圾邮件。

设置 Scikit-Learn

请使用 pip 安装 Scikit-learn：

pip install scikit-learn

安装完成后，您就可以导入它并开始构建模型。

线性回归

线性回归用于预测连续值。让我们构建一个简单的线性回归模型：

# Example: Linear Regression
from sklearn.linear_model import LinearRegression

# Sample data
X = [[1], [2], [3]]
y = [2, 4, 6]

model = LinearRegression()
model.fit(X, y)
print("Predicted value:", model.predict([[4]]))

逻辑回归

逻辑回归用于二元分类任务，例如判断一封电子邮件是否为垃圾邮件。

# Example: Logistic Regression
from sklearn.linear_model import LogisticRegression

# Sample data
X = [[1], [2], [3]]
y = [0, 0, 1]

model = LogisticRegression()
model.fit(X, y)
print("Predicted class:", model.predict([[1.5]]))

决策树

决策树是用途广泛的模型，可以处理回归和分类任务。让我们构建一个简单的决策树分类器：

# Example: Decision Tree Classifier
from sklearn.tree import DecisionTreeClassifier

# Sample data
X = [[1], [2], [3]]
y = [0, 1, 0]

model = DecisionTreeClassifier()
model.fit(X, y)
print("Predicted class:", model.predict([[2.5]]))

评估模型

Scikit-learn 提供了用于评估模型性能的指标：

均方误差（MSE）：用于回归模型。
准确率：用于分类模型。

# Example: Evaluating a model
from sklearn.metrics import mean_squared_error

# Predictions
y_true = [2, 4, 6]
y_pred = [2.1, 3.9, 5.8]
print("MSE:", mean_squared_error(y_true, y_pred))

训练集与测试集拆分

请始终将数据集拆分为训练集和测试集，以便在未见过的数据上评估模型性能：

# Example: Train-Test Split
from sklearn.model_selection import train_test_split

X = [[1], [2], [3], [4]]
y = [0, 1, 0, 1]

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25)
print("Training data:", X_train)

监督学习中的常见错误

以下是需要避免的一些错误：

未将数据拆分为训练集和测试集。
使用过于复杂的算法，导致模型过拟合。
使用标签质量较差的数据进行训练。

我们学到了什么

在本课中，您学习了：

如何使用 Scikit-learn 构建回归模型和分类模型。
如何使用 MSE 和准确率等指标评估模型性能。
将数据拆分为训练集和测试集的重要性。
监督学习任务中需要避免的常见错误。

做得很好！接下来让我们学习下一个主题。

常见问题解答

「使用 Scikit-Learn 进行监督学习」课时是免费的吗？

是的 — 「使用 Scikit-Learn 进行监督学习」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 Python Academy 课程的其余内容，请升级到 CoddyKit PRO。 Python Academy 课程共包含 6 节课。

「使用 Scikit-Learn 进行监督学习」这节课中我会学到什么？

构建并评估线性回归、分类等监督学习模型你通过在浏览器中直接运行的动手代码来练习 Python Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。

学习 Python Academy 需要有经验吗？

无需任何先前经验。CoddyKit 上的 Python Academy 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。这是第 2 节课，共 6 节。

「使用 Scikit-Learn 进行监督学习」课时需要多长时间？

大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。

我能在这节 Python Academy 课中编写并运行代码吗？

能。每节 Python Academy 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。

此课程中的所有课时

← 返回 Python Academy