以下是一个使用 `scikit-learn`（sklearn）进行机器学习的通用 Python 代码模板。这个模板涵盖了数据加载、预处理、模型训练、评估和预测的基本流程，适用于常见的机器学习任务。
```python
# 导入必要的库
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import accuracy_score, classification_report, confusion_matrix
from sklearn.ensemble import RandomForestClassifier # 以随机森林为例，可根据任务替换模型
# 1. 加载数据
# 假设数据是一个 CSV 文件
data = pd.read_csv('your_dataset.csv')
# 2. 数据预处理
# 分离特征和目标变量
X = data.drop('target_column', axis=1) # 替换 'target_column' 为目标列名
y = data['target_column']
# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 特征标准化（根据需求选择）
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)
# 3. 选择并训练模型
model = RandomForestClassifier(random_state=42) # 以随机森林为例，可替换为其他模型
model.fit(X_train, y_train)
# 4. 模型评估
# 在测试集上进行预测
y_pred = model.predict(X_test)
# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f'模型准确率: {accuracy:.2f}')
# 打印分类报告
print("分类报告:")
print(classification_report(y_test, y_pred))
# 打印混淆矩阵
print("混淆矩阵:")
print(confusion_matrix(y_test, y_pred))
# 5. 模型保存（可选）
import joblib
joblib.dump(model, 'model.pkl') # 保存模型到文件
# 6. 加载模型并进行预测（可选）
loaded_model = joblib.load('model.pkl')
new_predictions = loaded_model.predict(X_test) # 对新数据进行预测
```
### 关键步骤说明：
1. **数据加载**：从文件（如 CSV）中加载数据。
2. **数据预处理**：
- 分离特征（`X`）和目标变量（`y`）。
- 将数据集分为训练集和测试集。
- 对特征进行标准化或归一化（可选）。
3. **模型训练**：选择模型（如随机森林、逻辑回归等）并训练。
4. **模型评估**：使用测试集评估模型性能，输出准确率、分类报告和混淆矩阵。
5. **模型保存与加载**：将训练好的模型保存到文件，便于后续使用。
### 注意事项：
- 根据任务类型（分类、回归、聚类等）选择合适的模型和评估指标。
- 如果数据量较大，可以使用交叉验证（`cross_val_score`）或网格搜索（`GridSearchCV`）优化模型。
- 对于非数值型数据，需要进行编码（如 `OneHotEncoder` 或 `LabelEncoder`）。
在机器学习中，模型选择和调参是提升性能的关键步骤。Python 的 `scikit-learn` 提供了丰富的工具来实现这些任务。以下是一个完整的模型选择和调参的流程，包括交叉验证、网格搜索和随机搜索。
### 1. 导入必要的库
```python
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split, GridSearchCV, RandomizedSearchCV, cross_val_score
from sklearn.preprocessing import StandardScaler
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, classification_report
from scipy.stats import randint
```
### 2. 加载和预处理数据
```python
# 加载数据
data = pd.read_csv('your_dataset.csv')
# 分离特征和目标变量
X = data.drop('target_column', axis=1) # 替换 'target_column' 为目标列名
y = data['target_column']
# 数据集划分
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 特征标准化
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)
```
### 3. 模型选择
通过交叉验证评估多个模型的性能，选择最佳模型。
```python
# 示例：比较随机森林和支持向量机
from sklearn.svm import SVC
models = {
'RandomForest': RandomForestClassifier(random_state=42),
'SVM': SVC(random_state=42)
}
# 交叉验证评估
for name, model in models.items():
scores = cross_val_score(model, X_train, y_train, cv=5, scoring='accuracy')
print(f'{name} 的平均准确率: {np.mean(scores):.2f}')
```
### 4. 超参数调优
#### 4.1 网格搜索（Grid Search）
网格搜索会遍历所有给定的参数组合，找到最优参数。
```python
# 定义参数网格
param_grid = {
'n_estimators': [50, 100, 200],
'max_depth': [None, 10, 20, 30],
'min_samples_split': [2, 5, 10]
}
# 初始化模型
model = RandomForestClassifier(random_state=42)
# 网格搜索
grid_search = GridSearchCV(estimator=model, param_grid=param_grid, cv=5, scoring='accuracy')
grid_search.fit(X_train, y_train)
# 输出最佳参数和得分
print(f'最佳参数: {grid_search.best_params_}')
print(f'最佳交叉验证得分: {grid_search.best_score_:.2f}')
# 使用最佳模型进行预测
best_model = grid_search.best_estimator_
y_pred = best_model.predict(X_test)
print(f'测试集准确率: {accuracy_score(y_test, y_pred):.2f}')
```
#### 4.2 随机搜索（Random Search）
随机搜索从参数分布中随机采样，适合参数空间较大的情况。
```python
# 定义参数分布
param_dist = {
'n_estimators': randint(50, 200),
'max_depth': [None, 10, 20, 30],
'min_samples_split': randint(2, 11)
}
# 随机搜索
random_search = RandomizedSearchCV(estimator=model, param_distributions=param_dist, n_iter=10, cv=5, scoring='accuracy', random_state=42)
random_search.fit(X_train, y_train)
# 输出最佳参数和得分
print(f'最佳参数: {random_search.best_params_}')
print(f'最佳交叉验证得分: {random_search.best_score_:.2f}')
# 使用最佳模型进行预测
best_model = random_search.best_estimator_
y_pred = best_model.predict(X_test)
print(f'测试集准确率: {accuracy_score(y_test, y_pred):.2f}')
```
### 5. 模型评估
使用测试集评估最终模型的性能。
```python
# 打印分类报告
print("分类报告:")
print(classification_report(y_test, y_pred))
# 打印混淆矩阵
from sklearn.metrics import confusion_matrix
print("混淆矩阵:")
print(confusion_matrix(y_test, y_pred))
```
### 6. 保存模型
将训练好的模型保存到文件，便于后续使用。
```python
import joblib
joblib.dump(best_model, 'best_model.pkl')
```
### 总结
- **模型选择**：通过交叉验证比较多个模型的性能。
- **调参方法**：
- 网格搜索（`GridSearchCV`）：适合小规模参数空间。
- 随机搜索（`RandomizedSearchCV`）：适合大规模参数空间。
- **模型评估**：使用测试集评估模型性能，输出分类报告和混淆矩阵。
- **模型保存**：将最佳模型保存到文件。
通过以上步骤，可以系统地选择和优化机器学习模型。
