Scikit-Learn (sklearn) to podstawowa biblioteka open source w języku Python do modelowania statystycznego i klasycznego uczenia maszynowego, oparta na NumPy, SciPy i Matplotlib. Jej głównym atutem jest ściśle ujednolicony wzorzec projektowy z trzema interfejsami:
- Estimator (Estymator): Uczy się parametrów modelu z danych za pomocą metody
fit(X, y). - Transformer (Transformator): Przetwarza wstępnie i rzutuje cechy za pomocą
transform(X)orazfit_transform(X). - Predictor (Predyktor): Generuje predykcje dla nowych próbek za pomocą
predict(X),predict_proba(X)orazscore(X, y).
🔗 Powiązane ściągawki: NumPy Ściągawka · Pandas Ściągawka · Algorytmy uczenia nadzorowanego · Metody analizy danych · Python Ściągawka
1. Kompletny przykład szybkiego startu
Poniższy skrypt przedstawia ładowanie zbioru danych, stratyfikowany podział, skalowanie cech, dopasowanie estymatora i ewaluację:
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score, classification_report
# 1. Ładowanie danych
iris = load_iris()
X, y = iris.data, iris.target
# 2. Stratyfikowany podział na zbiór treningowy i testowy
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, random_state=42, stratify=y
)
# 3. Skalowanie cech (dopasowanie TYLKO na zbiorze treningowym w celu uniknięcia wycieku)
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)
# 4. Trenowanie modelu
knn = KNeighborsClassifier(n_neighbors=5)
knn.fit(X_train_scaled, y_train)
# 5. Predykcja i ocena
y_pred = knn.predict(X_test_scaled)
print(f"Dokładność: {accuracy_score(y_test, y_pred):.4f}")
print(classification_report(y_test, y_pred, target_names=iris.target_names))
2. Przygotowanie i podział danych
Scikit-Learn oczekuje dwuwymiarowych struktur numerycznych: macierzy cech $X$ o wymiarach (n_samples, n_features) oraz wektora etykiet $y$ o wymiarach (n_samples,). Obsługiwane są tablice ndarray z NumPy, macierze rzadkie SciPy (scipy.sparse) oraz obiekty DataFrame/Series z Pandas.
2.1 Wbudowane i syntetyczne zbiory danych
from sklearn import datasets
# Niewielkie zbiory demonstracyjne (zwracają obiekt Bunch)
iris = datasets.load_iris() # Klasyfikacja wieloklasowa
digits = datasets.load_digits() # Obrazy odręcznych cyfr 8x8
diabetes = datasets.load_diabetes() # Benchmark dla regresji
wine = datasets.load_wine() # 3-klasowa analiza chemiczna wina
# Rzeczywiste zbiory testowe (buforowane lokalnie)
housing = datasets.fetch_california_housing()
# Generowanie danych syntetycznych do testowania algorytmów
X, y = datasets.make_classification(
n_samples=1000, n_features=20, n_informative=15, n_classes=2, random_state=42
)
X_reg, y_reg = datasets.make_regression(n_samples=500, n_features=10, noise=0.1, random_state=42)
X_blob, y_blob = datasets.make_blobs(n_samples=300, centers=3, n_features=2, random_state=42)
2.2 Podział zbioru danych (train_test_split)
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(
X, y,
test_size=0.25, # Proporcja zbioru testowego (domyślnie: 0.25)
random_state=42, # Stały seed dla powtarzalności wyników
shuffle=True, # Przemieszanie próbek przed podziałem
stratify=y # Wysoce zalecane w klasyfikacji: zachowuje proporcje klas
)
3. Inżynieria cech i przetwarzanie wstępne (sklearn.preprocessing & sklearn.impute)
| Transformator | Zastosowanie | Przekształcenie matematyczne / Logika | Kluczowe parametry |
|---|---|---|---|
StandardScaler |
Standaryzacja Z-score cech numerycznych | $z = \frac{x - \mu}{\sigma}$ (średnia 0, wariancja 1) | with_mean=True, with_std=True |
MinMaxScaler |
Skalowanie cech do zadanego przedziału domkniętego | $x' = \frac{x - x_{\min}}{x_{\max} - x_{\min}} \cdot (\max - \min) + \min$ | feature_range=(0, 1) |
RobustScaler |
Skalowanie odporne na wartości odstające (outliers) | Skalowanie oparte na rozstępie ćwiartkowym: $x' = \frac{x - Q_2}{Q_3 - Q_1}$ | quantile_range=(25.0, 75.0) |
Normalizer |
Normalizacja wierszowa każdej pojedynczej próbki | Normalizuje każdą próbkę do normy jednostkowej ($L_1$, $L_2$ lub Max) | norm='l2' ('l1', 'max') |
Binarizer |
Progowanie binarne zmiennych ciągłych | $x > \text{threshold} \Rightarrow 1$, w przeciwnym razie $0$ | threshold=0.0 |
SimpleImputer |
Uzupełnianie brakujących danych (imputacja) | Zastępuje braki średnią, medianą, modą lub stałą | missing_values=np.nan, strategy='mean' |
OneHotEncoder |
Kodowanie One-Hot nominalnych zmiennych kategorycznych | Przekształca kategorie w binarne kolumny wskaźnikowe | drop='first', handle_unknown='ignore' |
OrdinalEncoder |
Kodowanie porządkowe zmiennych kategorycznych | Koduje kategorie jako uporządkowane liczby całkowite $0, \dots, K-1$ | categories='auto', encoded_missing_value |
LabelEncoder |
Kodowanie etykiet dla zmiennej docelowej $y$ | Konwertuje etykiety tekstowe na liczby całkowite $0 \dots C-1$ | TYLKO dla zmiennej docelowej $y$, NIGDY dla cech $X$ |
PolynomialFeatures |
Generowanie cech wielomianowych i interakcji | Generuje człony wyższych rzędów $[1, a, b, a^2, ab, b^2]$ | degree=2, include_bias=False |
3.1 Przykłady kodu wstępnego przetwarzania
import numpy as np
from sklearn.preprocessing import (
StandardScaler, MinMaxScaler, RobustScaler, Normalizer,
Binarizer, OneHotEncoder, OrdinalEncoder, LabelEncoder, PolynomialFeatures
)
from sklearn.impute import SimpleImputer
# 1. Standaryzacja numeryczna (nigdy nie dopasowuj do zbioru testowego!)
scaler = StandardScaler()
X_train_std = scaler.fit_transform(X_train)
X_test_std = scaler.transform(X_test)
# 2. Uzupełnianie braków (strategia mediany)
imputer = SimpleImputer(missing_values=np.nan, strategy='median')
X_train_imp = imputer.fit_transform(X_train)
X_test_imp = imputer.transform(X_test)
# 3. Kodowanie One-Hot (bezpiecznie obsługuje nieznane kategorie w teście)
ohe = OneHotEncoder(handle_unknown='ignore', sparse_output=False)
X_train_ohe = ohe.fit_transform(X_train_cat)
X_test_ohe = ohe.transform(X_test_cat)
# 4. Kodowanie zmiennej docelowej
le = LabelEncoder()
y_train_enc = le.fit_transform(y_train)
y_test_enc = le.transform(y_test)
# 5. Wielomianowe rozszerzenie cech
poly = PolynomialFeatures(degree=2, include_bias=False)
X_train_poly = poly.fit_transform(X_train)
4. Przegląd popularnych modeli (Estimators)
4.1 Uczenie nadzorowane: Klasyfikacja
from sklearn.linear_model import LogisticRegression
from sklearn.neighbors import KNeighborsClassifier
from sklearn.svm import SVC
from sklearn.naive_bayes import GaussianNB
from sklearn.ensemble import RandomForestClassifier, HistGradientBoostingClassifier
# Regresja logistyczna (liniowy model bazowy)
clf_lr = LogisticRegression(C=1.0, max_iter=200, random_state=42)
# K najbliższych sąsiadów (KNN)
clf_knn = KNeighborsClassifier(n_neighbors=5, metric='minkowski', p=2)
# Maszyna wektorów nośnych (jądro RBF)
clf_svm = SVC(C=1.0, kernel='rbf', gamma='scale', probability=True, random_state=42)
# Gaussowski naiwny klasyfikator bayesowski
clf_gnb = GaussianNB()
# Las losowy (zespół baggingowy)
clf_rf = RandomForestClassifier(n_estimators=100, max_depth=None, n_jobs=-1, random_state=42)
# Histogramowy Gradient Boosting (szybki GBDT zbliżony do LightGBM)
clf_hgb = HistGradientBoostingClassifier(learning_rate=0.1, max_iter=100, random_state=42)
4.2 Uczenie nadzorowane: Regresja
from sklearn.linear_model import LinearRegression, Ridge, Lasso
from sklearn.svm import SVR
from sklearn.ensemble import RandomForestRegressor, HistGradientBoostingRegressor
# Zwykła regresja liniowa metodą najmniejszych kwadratów (OLS)
reg_lr = LinearRegression()
# Regresja grzbietowa Ridge (regularyzacja L2 chroniąca przed współliniowością)
reg_ridge = Ridge(alpha=1.0)
# Regresja Lasso (regularyzacja L1 do selekcji cech)
reg_lasso = Lasso(alpha=0.1)
# Regresja wektorów nośnych (SVR)
reg_svr = SVR(kernel='rbf', C=1.0, epsilon=0.1)
# Regresor lasu losowego
reg_rf = RandomForestRegressor(n_estimators=100, n_jobs=-1, random_state=42)
4.3 Uczenie nienadzorowane: Klasteryzacja i redukcja wymiarowości
from sklearn.cluster import KMeans, DBSCAN
from sklearn.decomposition import PCA
# Klasteryzacja K-Średnich (K-Means)
kmeans = KMeans(n_clusters=3, init='k-means++', n_init=10, random_state=42)
kmeans.fit(X)
cluster_labels = kmeans.labels_ # Przypisania do klastrów
cluster_centers = kmeans.cluster_centers_
# Gęstościowa klasteryzacja przestrzenna (DBSCAN: odporna na szum)
dbscan = DBSCAN(eps=0.5, min_samples=5)
db_labels = dbscan.fit_predict(X) # -1 oznacza punkty szumu (odstające)
# Analiza głównych składowych (PCA): zachowanie 95% wariancji
pca = PCA(n_components=0.95)
X_pca = pca.fit_transform(X)
print("Liczba zachowanych składowych:", pca.n_components_)
print("Wskaźnik wyjaśnionej wariancji:", pca.explained_variance_ratio_)
5. Podsumowanie operacji jednolitego API
| Operacja | Metoda | Typ obiektu | Semantyka i zwracana wartość |
|---|---|---|---|
| Dopasowanie (Fit) | estimator.fit(X, y) |
Wszystkie Estimators | Estymuje parametry z danych treningowych; zwraca self |
| Predykcja (Predict) | predictor.predict(X) |
Wszystkie Predictors | Generuje etykiety klas lub wartości ciągłe |
| Prawdopodobieństwo | predictor.predict_proba(X) |
Klasyfikatory | Zwraca macierz rozkładu prawdopodobieństw a posteriori |
| Funkcja decyzyjna | predictor.decision_function(X) |
Modele liniowe / SVM | Odległość ze znakiem próbek od hiperpłaszczyzny rozdzielającej |
| Transformacja | transformer.transform(X) |
Wszystkie Transformers | Rzutuje cechy wejściowe na podstawie nauczonych parametrów |
| Dopasuj i przekształć | transformer.fit_transform(X) |
Wszystkie Transformers | Oblicza parametry i przekształca w jednym zoptymalizowanym kroku |
| Domyślna ocena | estimator.score(X, y) |
Klasyfikatory / Regresory | Dokładność dla klasyfikacji; współczynnik determinacji $R^2$ dla regresji |
6. Metryki oceny modeli (sklearn.metrics)
6.1 Metryki klasyfikacji
from sklearn.metrics import (
accuracy_score, precision_score, recall_score, f1_score,
roc_auc_score, confusion_matrix, classification_report,
ConfusionMatrixDisplay
)
# 1. Metryki etykiet dyskretnych (wieloklasowość wymaga podania parametru average)
acc = accuracy_score(y_test, y_pred)
prec = precision_score(y_test, y_pred, average='macro')
rec = recall_score(y_test, y_pred, average='macro')
f1 = f1_score(y_test, y_pred, average='macro')
# 2. Metryki ciągłego rankingu (ROC-AUC wymaga przewidywanych prawdopodobieństw)
y_prob = clf.predict_proba(X_test)[:, 1] # Prawdopodobieństwo klasy pozytywnej
auc = roc_auc_score(y_test, y_prob)
# 3. Macierz pomyłek i wyczerpujący raport klasyfikacji
cm = confusion_matrix(y_test, y_pred)
print(classification_report(y_test, y_pred))
# 4. Wyświetlanie wykresu macierzy pomyłek
disp = ConfusionMatrixDisplay(confusion_matrix=cm)
disp.plot()
6.2 Metryki regresji
from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score
mae = mean_absolute_error(y_test, y_pred)
mse = mean_squared_error(y_test, y_pred)
rmse = mean_squared_error(y_test, y_pred, squared=False) # Pierwiastek błędu średniokwadratowego (RMSE)
r2 = r2_score(y_test, y_pred) # Współczynnik determinacji R²
6.3 Metryki klasteryzacji
from sklearn.metrics import (
adjusted_rand_score, homogeneity_score, v_measure_score, silhouette_score
)
# Walidacja zewnętrzna (gdy znane są prawdziwe etykiety)
ari = adjusted_rand_score(y_true, cluster_labels) # Zakres: [-1, 1], im wyższy, tym lepszy
homo = homogeneity_score(y_true, cluster_labels) # Zakres: [0, 1]
vm = v_measure_score(y_true, cluster_labels) # Średnia harmoniczna jednorodności i kompletności
# Walidacja wewnętrzna (geometryczna, bez etykiet wzorcowych)
sil = silhouette_score(X, cluster_labels) # Zakres: [-1, 1], wartość bliska 1 wskazuje na wyraźne skupienia
7. Walidacja krzyżowa i dobór hiperparametrów (sklearn.model_selection)
7.1 Walidacja krzyżowa (Cross-Validation)
from sklearn.model_selection import cross_val_score, cross_validate, StratifiedKFold
# Standardowa K-Fold walidacja krzyżowa
scores = cross_val_score(clf, X, y, cv=5, scoring='accuracy')
print(f"Dokładność 5-Fold CV: {scores.mean():.4f} (±{scores.std():.4f})")
# Generator stratyfikowanych podziałów K-Fold
skf = StratifiedKFold(n_splits=5, shuffle=True, random_state=42)
scores_skf = cross_val_score(clf, X, y, cv=skf, scoring='f1_macro')
# Jednoczesna ewaluacja wielu metryk
multi_scores = cross_validate(
clf, X, y, cv=5,
scoring=['accuracy', 'roc_auc'],
return_train_score=False
)
print("Średnie walidacyjne AUC:", multi_scores['test_roc_auc'].mean())
7.2 Przeszukiwanie siatki i przeszukiwanie losowe
from sklearn.model_selection import GridSearchCV, RandomizedSearchCV
from scipy.stats import randint
# 1. Wyczerpujące przeszukiwanie siatki (GridSearchCV)
param_grid = {
'n_neighbors': [3, 5, 7, 11],
'weights': ['uniform', 'distance'],
'metric': ['euclidean', 'manhattan']
}
grid = GridSearchCV(
estimator=KNeighborsClassifier(),
param_grid=param_grid,
cv=5,
scoring='accuracy',
n_jobs=-1
)
grid.fit(X_train, y_train)
print("Najlepsze parametry:", grid.best_params_)
best_model = grid.best_estimator_
# 2. Losowe przeszukiwanie parametrów (dla dużych przestrzeni poszukiwań)
param_dist = {
'n_estimators': randint(50, 300),
'max_depth': [None, 5, 10, 20],
'min_samples_split': randint(2, 11)
}
rand_search = RandomizedSearchCV(
estimator=RandomForestClassifier(random_state=42),
param_distributions=param_dist,
n_iter=20, # Liczba losowych kombinacji
cv=5,
scoring='accuracy',
random_state=42,
n_jobs=-1
)
rand_search.fit(X_train, y_train)
print("Najlepsze parametry Random Search:", rand_search.best_params_)
8. Dobre praktyki produkcyjne: Pipeline i ColumnTransformer
8.1 Dlaczego stosowanie Pipelines jest obowiązkowe
Globalne skalowanie lub imputacja danych przed podziałem prowadzi do wycieku danych (Data Leakage): informacje ze zbiorów testowych przenikają do statystyk treningowych, fałszywie zawyżając metryki, które załamują się na produkcji.
Pipeline łączy transformatory i estymatory w nierozerwalną całość wolną od wycieków. W trakcie walidacji krzyżowej transformatory są dopasowywane wyłącznie na zbiorach treningowych poszczególnych podziałów.
8.2 Szablon produkcyjny ColumnTransformer
Rzeczywiste zbiory tabelaryczne łączą cechy ciągłe i kategoryczne:
from sklearn.compose import ColumnTransformer
from sklearn.pipeline import Pipeline
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import StandardScaler, OneHotEncoder
from sklearn.ensemble import RandomForestClassifier
# 1. Jawny podział nazw kolumn
numeric_features = ['age', 'income', 'credit_score']
categorical_features = ['gender', 'occupation', 'city']
# 2. Podpotok numeryczny: uzupełnianie medianą -> standaryzacja
numeric_transformer = Pipeline(steps=[
('imputer', SimpleImputer(strategy='median')),
('scaler', StandardScaler())
])
# 3. Podpotok kategoryczny: uzupełnianie stałą -> kodowanie One-Hot
categorical_transformer = Pipeline(steps=[
('imputer', SimpleImputer(strategy='constant', fill_value='missing')),
('onehot', OneHotEncoder(handle_unknown='ignore', sparse_output=False))
])
# 4. Połączenie kolumn w jednolity ColumnTransformer
preprocessor = ColumnTransformer(transformers=[
('num', numeric_transformer, numeric_features),
('cat', categorical_transformer, categorical_features)
])
# 5. Złożenie kompletnego potoku modelu
full_pipeline = Pipeline(steps=[
('preprocessor', preprocessor),
('classifier', RandomForestClassifier(n_estimators=100, random_state=42))
])
# 6. Atomowe trenowanie i predykcja (zero wycieków, bezpieczne wdrożenie)
full_pipeline.fit(X_train_df, y_train)
y_pred = full_pipeline.predict(X_test_df)
print("Dokładność testowa potoku:", full_pipeline.score(X_test_df, y_test))