Szybka pomoc

Scikit-Learn API i Przepływ Pracy Uczenia Maszynowego – Ściągawka

Przewodnik referencyjny po Scikit-Learn: ujednolicona architektura API (Estimator, Transformer, Predictor), przygotowanie danych, inżynieria cech, modele nadzorowane i nienadzorowane, walidacja krzyżowa, metryki oceny i wolne od wycieków Pipelines.

· Opublikowano · Zaktualizowano

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) oraz fit_transform(X).
  • Predictor (Predyktor): Generuje predykcje dla nowych próbek za pomocą predict(X), predict_proba(X) oraz score(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))

Powiązane tematy