Scikit-Learn (sklearn) — это фундаментальная библиотека с открытым исходным кодом на Python для статистического моделирования и классического машинного обучения, построенная на базе NumPy, SciPy и Matplotlib. Ее главное архитектурное преимущество — строго унифицированный паттерн проектирования из трех интерфейсов:
- Estimator (Оценщик): Обучает параметры модели на данных с помощью метода
fit(X, y). - Transformer (Преобразователь): Предобрабатывает и преобразует признаки через
transform(X)иfit_transform(X). - Predictor (Предиктор): Формирует прогнозы для новых выборок через
predict(X),predict_proba(X)иscore(X, y).
🔗 Связанные шпаргалки: Шпаргалка по NumPy · Шпаргалка по Pandas · Алгоритмы обучения с учителем · Методы анализа данных · Шпаргалка по Python
1. Сквозной практический пример
Следующий самодостаточный скрипт демонстрирует загрузку датасета, стратифицированное разбиение, масштабирование признаков, обучение и оценку качества модели:
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. Загрузка данных
iris = load_iris()
X, y = iris.data, iris.target
# 2. Стратифицированное разбиение на обучение и тест
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, random_state=42, stratify=y
)
# 3. Масштабирование признаков (обучать ТОЛЬКО на train, чтобы избежать утечки данных)
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)
# 4. Обучение модели
knn = KNeighborsClassifier(n_neighbors=5)
knn.fit(X_train_scaled, y_train)
# 5. Прогноз и оценка точности
y_pred = knn.predict(X_test_scaled)
print(f"Точность: {accuracy_score(y_test, y_pred):.4f}")
print(classification_report(y_test, y_pred, target_names=iris.target_names))
2. Подготовка и разбиение данных
Scikit-Learn ожидает двумерные числовые структуры: матрицу признаков $X$ формы (n_samples, n_features) и вектор целевых значений $y$ формы (n_samples,). Поддерживаются массивы NumPy ndarray, разреженные матрицы SciPy (scipy.sparse) и DataFrame/Series из Pandas.
2.1 Встроенные и синтетические наборы данных
from sklearn import datasets
# Небольшие демонстрационные датасеты (возвращают объект Bunch)
iris = datasets.load_iris() # Многоклассовая классификация
digits = datasets.load_digits() # Изображения рукописных цифр 8x8
diabetes = datasets.load_diabetes() # Эталонный датасет для регрессии
wine = datasets.load_wine() # Химический анализ вин 3 классов
# Реальные эталонные датасеты (кэшируются локально)
housing = datasets.fetch_california_housing()
# Генерация синтетических данных для тестирования алгоритмов
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 Разбиение датасета (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, # Доля тестовой выборки (по умолчанию: 0.25)
random_state=42, # Фиксированный seed для воспроизводимости
shuffle=True, # Перемешивание перед разбиением
stratify=y # Настоятельно рекомендуется для классификации: сохраняет пропорции классов
)
3. Инженерия признаков и предобработка (sklearn.preprocessing & sklearn.impute)
| Трансформер | Сценарий применения | Математическое преобразование / Логика | Ключевые параметры |
|---|---|---|---|
StandardScaler |
Z-масштабирование (стандартизация) числовых признаков | $z = \frac{x - \mu}{\sigma}$ (нулевое среднее, единичная дисперсия) | with_mean=True, with_std=True |
MinMaxScaler |
Масштабирование признаков в фиксированный диапазон | $x' = \frac{x - x_{\min}}{x_{\max} - x_{\min}} \cdot (\max - \min) + \min$ | feature_range=(0, 1) |
RobustScaler |
Масштабирование, устойчивое к выбросам | Масштабирование по интерквартильному размаху: $x' = \frac{x - Q_2}{Q_3 - Q_1}$ | quantile_range=(25.0, 75.0) |
Normalizer |
Построчная нормализация каждого отдельного образца | Нормализует каждый образец к единичной норме ($L_1$, $L_2$ или Max) | norm='l2' ('l1', 'max') |
Binarizer |
Пороговая бинаризация непрерывных значений | $x > \text{threshold} \Rightarrow 1$, иначе $0$ | threshold=0.0 |
SimpleImputer |
Заполнение пропущенных значений (импутация) | Заменяет пропуски средним, медианой, модой или константой | missing_values=np.nan, strategy='mean' |
OneHotEncoder |
One-Hot кодирование номинальных категориальных признаков | Преобразует категории в бинарные столбцы-индикаторы | drop='first', handle_unknown='ignore' |
OrdinalEncoder |
Порядковое кодирование упорядоченных категорий | Кодирует категории упорядоченными целыми числами $0, \dots, K-1$ | categories='auto', encoded_missing_value |
LabelEncoder |
Кодирование меток целевой переменной $y$ | Преобразует строковые метки в целые числа $0 \dots C-1$ | ТОЛЬКО для целевой переменной $y$, НИ В КОЕМ СЛУЧАЕ не для признаков $X$ |
PolynomialFeatures |
Генерация полиномиальных признаков и взаимодействий | Генерирует полиномы $[1, a, b, a^2, ab, b^2]$ | degree=2, include_bias=False |
3.1 Примеры кода предобработки данных
import numpy as np
from sklearn.preprocessing import (
StandardScaler, MinMaxScaler, RobustScaler, Normalizer,
Binarizer, OneHotEncoder, OrdinalEncoder, LabelEncoder, PolynomialFeatures
)
from sklearn.impute import SimpleImputer
# 1. Стандартизация (ни в коем случае не вызывайте fit на тестовых данных!)
scaler = StandardScaler()
X_train_std = scaler.fit_transform(X_train)
X_test_std = scaler.transform(X_test)
# 2. Заполнение пропусков (медианная стратегия)
imputer = SimpleImputer(missing_values=np.nan, strategy='median')
X_train_imp = imputer.fit_transform(X_train)
X_test_imp = imputer.transform(X_test)
# 3. One-Hot кодирование (безопасно обрабатывает новые категории в тесте)
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. Кодирование меток целевой переменной
le = LabelEncoder()
y_train_enc = le.fit_transform(y_train)
y_test_enc = le.transform(y_test)
# 5. Полиномиальное расширение признаков
poly = PolynomialFeatures(degree=2, include_bias=False)
X_train_poly = poly.fit_transform(X_train)
4. Главный каталог популярных моделей
4.1 Обучение с учителем: Классификация
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
# Логистическая регрессия (линейный базовый классификатор)
clf_lr = LogisticRegression(C=1.0, max_iter=200, random_state=42)
# Метод k ближайших соседей (KNN)
clf_knn = KNeighborsClassifier(n_neighbors=5, metric='minkowski', p=2)
# Метод опорных векторов (RBF-ядро)
clf_svm = SVC(C=1.0, kernel='rbf', gamma='scale', probability=True, random_state=42)
# Гауссовский наивный байесовский классификатор
clf_gnb = GaussianNB()
# Случайный лес (бэггинг-ансамбль)
clf_rf = RandomForestClassifier(n_estimators=100, max_depth=None, n_jobs=-1, random_state=42)
# Градиентный бустинг на основе гистограмм (быстрый GBDT аналогично LightGBM)
clf_hgb = HistGradientBoostingClassifier(learning_rate=0.1, max_iter=100, random_state=42)
4.2 Обучение с учителем: Регрессия
from sklearn.linear_model import LinearRegression, Ridge, Lasso
from sklearn.svm import SVR
from sklearn.ensemble import RandomForestRegressor, HistGradientBoostingRegressor
# Обычный метод наименьших квадратов (линейная регрессия)
reg_lr = LinearRegression()
# Гребневая регрессия (Ridge, L2-регуляризация от мультиколлинеарности)
reg_ridge = Ridge(alpha=1.0)
# Регрессия Lasso (L1-регуляризация для отбора признаков)
reg_lasso = Lasso(alpha=0.1)
# Регрессия на опорных векторах (SVR)
reg_svr = SVR(kernel='rbf', C=1.0, epsilon=0.1)
# Регрессор случайного леса
reg_rf = RandomForestRegressor(n_estimators=100, n_jobs=-1, random_state=42)
4.3 Обучение без учителя: Кластеризация и снижение размерности
from sklearn.cluster import KMeans, DBSCAN
from sklearn.decomposition import PCA
# Кластеризация K-Means
kmeans = KMeans(n_clusters=3, init='k-means++', n_init=10, random_state=42)
kmeans.fit(X)
cluster_labels = kmeans.labels_ # Метки назначенных кластеров
cluster_centers = kmeans.cluster_centers_
# Пространственная кластеризация DBSCAN (устойчива к шуму)
dbscan = DBSCAN(eps=0.5, min_samples=5)
db_labels = dbscan.fit_predict(X) # -1 обозначает шумовые выбросы
# Метод главных компонент (PCA): сохранение 95% дисперсии
pca = PCA(n_components=0.95)
X_pca = pca.fit_transform(X)
print("Число сохраненных компонент:", pca.n_components_)
print("Доля объясненной дисперсии:", pca.explained_variance_ratio_)
5. Сводка стандартных операций унифицированного API
| Операция | Стандартный метод | Тип объекта | Семантика и возвращаемое значение |
|---|---|---|---|
| Обучить (Fit) | estimator.fit(X, y) |
Все Estimator | Оценивает параметры на обучающих данных; возвращает self |
| Спрогнозировать | predictor.predict(X) |
Все Predictor | Формирует метки классов или непрерывные значения |
| Вероятность | predictor.predict_proba(X) |
Классификаторы | Возвращает матрицу апостериорных вероятностей классов |
| Решающая граница | predictor.decision_function(X) |
Линейные модели / SVM | Расстояние со знаком от образцов до разделяющей гиперплоскости |
| Преобразовать | transformer.transform(X) |
Все Transformer | Проецирует признаки на основе вычисленных параметров |
| Обучить и преобразовать | transformer.fit_transform(X) |
Все Transformer | Вычисляет параметры и трансформирует за один шаг |
| Базовая оценка | estimator.score(X, y) |
Классификаторы / Регрессоры | Accuracy для классификации; коэффициент детерминации $R^2$ для регрессии |
6. Метрики оценки качества (sklearn.metrics)
6.1 Метрики классификации
from sklearn.metrics import (
accuracy_score, precision_score, recall_score, f1_score,
roc_auc_score, confusion_matrix, classification_report,
ConfusionMatrixDisplay
)
# 1. Метрики дискретных меток (укажите average для многоклассовых задач)
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. Метрики ранжирования (ROC-AUC требует спрогнозированных вероятностей)
y_prob = clf.predict_proba(X_test)[:, 1] # Вероятности положительного класса
auc = roc_auc_score(y_test, y_prob)
# 3. Матрица ошибок и подробный текстовый отчет
cm = confusion_matrix(y_test, y_pred)
print(classification_report(y_test, y_pred))
# 4. Графическое отображение матрицы ошибок
disp = ConfusionMatrixDisplay(confusion_matrix=cm)
disp.plot()
6.2 Метрики регрессии
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) # Корень из среднеквадратичной ошибки (RMSE)
r2 = r2_score(y_test, y_pred) # Коэффициент детерминации R²
6.3 Метрики кластеризации
from sklearn.metrics import (
adjusted_rand_score, homogeneity_score, v_measure_score, silhouette_score
)
# Внешняя валидация (при наличии истинных меток)
ari = adjusted_rand_score(y_true, cluster_labels) # Диапазон: [-1, 1], чем выше, тем лучше
homo = homogeneity_score(y_true, cluster_labels) # Диапазон: [0, 1]
vm = v_measure_score(y_true, cluster_labels) # Среднее гармоническое однородности и полноты
# Внутренняя валидация (геометрическая, без истинных меток)
sil = silhouette_score(X, cluster_labels) # Диапазон: [-1, 1], близко к 1 указывает на четкие кластеры
7. Кросс-валидация и подбор гиперпараметров (sklearn.model_selection)
7.1 Кросс-валидация (Cross-Validation)
from sklearn.model_selection import cross_val_score, cross_validate, StratifiedKFold
# Стандартная K-Fold кросс-валидация
scores = cross_val_score(clf, X, y, cv=5, scoring='accuracy')
print(f"5-Fold CV Точность: {scores.mean():.4f} (±{scores.std():.4f})")
# Генератор стратифицированных фолдов (Stratified 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')
# Одновременная оценка по нескольким метрикам
multi_scores = cross_validate(
clf, X, y, cv=5,
scoring=['accuracy', 'roc_auc'],
return_train_score=False
)
print("Средний валидационный AUC:", multi_scores['test_roc_auc'].mean())
7.2 Поиск по сетке и случайный поиск
from sklearn.model_selection import GridSearchCV, RandomizedSearchCV
from scipy.stats import randint
# 1. Полный перебор по сетке (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("Лучшие параметры:", grid.best_params_)
best_model = grid.best_estimator_
# 2. Случайный поиск гиперпараметров (для обширных пространств параметров)
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, # Количество случайных комбинаций параметров
cv=5,
scoring='accuracy',
random_state=42,
n_jobs=-1
)
rand_search.fit(X_train, y_train)
print("Лучшие параметры Random Search:", rand_search.best_params_)
8. Лучшие инженерные практики: Pipeline и ColumnTransformer
8.1 Почему конвейеры (Pipeline) обязательны
Глобальное масштабирование или заполнение пропусков до разбиения выборки приводит к утечке данных (Data Leakage): статистика валидационных фолдов проникает в обучающие данные, завышая метрики и приводя к деградации модели в продакшене.
Pipeline объединяет этапы предобработки и оценки в единую неделимую структуру. При кросс-валидации трансформеры обучаются строго на обучающих фолдах и только применяются к проверочным.
8.2 Продакшен-шаблон с ColumnTransformer
Реальные табличные данные объединяют непрерывные числовые столбцы и категориальные признаки:
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. Явное разделение имен признаков
numeric_features = ['age', 'income', 'credit_score']
categorical_features = ['gender', 'occupation', 'city']
# 2. Числовой подконвейер: заполнение медианой -> стандартизация
numeric_transformer = Pipeline(steps=[
('imputer', SimpleImputer(strategy='median')),
('scaler', StandardScaler())
])
# 3. Категориальный подконвейер: заполнение константой -> One-Hot кодирование
categorical_transformer = Pipeline(steps=[
('imputer', SimpleImputer(strategy='constant', fill_value='missing')),
('onehot', OneHotEncoder(handle_unknown='ignore', sparse_output=False))
])
# 4. Объединение признаков в единый ColumnTransformer
preprocessor = ColumnTransformer(transformers=[
('num', numeric_transformer, numeric_features),
('cat', categorical_transformer, categorical_features)
])
# 5. Сборка полного конвейера модели
full_pipeline = Pipeline(steps=[
('preprocessor', preprocessor),
('classifier', RandomForestClassifier(n_estimators=100, random_state=42))
])
# 6. Атомарное обучение и прогноз (ноль утечек, надежное развертывание)
full_pipeline.fit(X_train_df, y_train)
y_pred = full_pipeline.predict(X_test_df)
print("Точность конвейера на тестовой выборке:", full_pipeline.score(X_test_df, y_test))