Python For Kids · 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和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 For Kids，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和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 For Kids 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 For Kids 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 Python For Kids 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。其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，例如垃圾邮件或非垃圾邮件。

设置 Scikit-Learn

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))

训练集与测试集划分

请始终将数据集划分为训练集和测试集，以便评估模型在未见过的数据上的性能：

# 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：

没有将数据划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。
使用标注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。
将数据划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！让我们进入下一个主题。

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 For Kids 课程的其余内容，请升级到 CoddyKit PRO。 Python For Kids 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和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 For Kids，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 For Kids 需要有经验吗？

无需任何先前经验。CoddyKit 上的 Python For Kids 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 For Kids 课中编写并运行代码吗？

能。每节 Python For Kids 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 For Kids