python运用sklearn的代码

### Python 使用 sklearn 的示例代码 以下是几个常见的 `sklearn` 示例代码，涵盖了分类任务、回归任务以及数据预处理等内容。 #### 1. 基于 sklearn 的分类任务及其性能评估 下面是一个简单的逻辑回归模型训练过程，并计算常用的分类指标： ```python from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score # 加载数据集 data = load_iris() X, y = data.data, data.target # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) # 实例化并训练模型 model = LogisticRegression(max_iter=200) model.fit(X_train, y_train) # 预测 y_pred = model.predict(X_test) # 计算评价指标 accuracy = accuracy_score(y_test, y_pred) precision = precision_score(y_test, y_pred, average='macro') recall = recall_score(y_test, y_pred, average='macro') f1 = f1_score(y_test, y_pred, average='macro') print(f'Accuracy: {accuracy}') print(f'Precision: {precision}') print(f'Recall: {recall}') print(f'F1 Score: {f1}') ``` 上述代码展示了如何加载 Iris 数据集，划分训练集与测试集，训练逻辑回归模型，并通过多个分类指标进行评估[^1]。 --- #### 2. 回归任务中的均方误差 (MSE) 和 R² 得分 以下代码演示了如何使用线性回归模型完成回归任务，并计算 MSE 和 R² 得分： ```python from sklearn.datasets import make_regression from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_squared_error, r2_score # 创建模拟回归数据 X, y = make_regression(n_samples=100, n_features=1, noise=0.1, random_state=42) # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) # 实例化并训练模型 regressor = LinearRegression() regressor.fit(X_train, y_train) # 预测 y_pred = regressor.predict(X_test) # 计算 MSE 和 R² mse = mean_squared_error(y_test, y_pred) r2 = r2_score(y_test, y_pred) print(f'Mean Squared Error: {mse}') print(f'R-squared Value: {r2}') ``` 此部分代码说明了如何创建虚拟回归数据，拟合线性回归模型，并利用 MSE 和 R² 来衡量模型表现[^2]。 --- #### 3. 数据二值化的应用 如果需要对连续型特征进行二值化操作，则可以使用 `Binarizer` 工具。如下所示： ```python import numpy as np from sklearn.preprocessing import Binarizer # 构造输入数据 x = np.array([[1], [2], [3], [4], [5]]) # 定义阈值为 3 进行二值化 binarizer = Binarizer(threshold=3).fit(x) # 转换后的结果 binary_x = binarizer.transform(x) print("Original Data:") print(x.flatten()) print("\nBinarized Data:") print(binary_x.flatten()) ``` 该代码片段实现了将数值大于等于指定阈值的数据转换为 1，其余转为 0 的功能[^3]。 --- #### 4. 多种回归算法的比较 为了展示不同回归方法的效果对比，可尝试多种回归器： ```python from sklearn.datasets import load_boston from sklearn.model_selection import train_test_split from sklearn.linear_model import Ridge, Lasso, ElasticNet from sklearn.svm import SVR from sklearn.metrics import mean_squared_error # 加载波士顿房价数据 boston = load_boston() X, y = boston.data, boston.target # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) models = { 'Ridge': Ridge(), 'Lasso': Lasso(), 'ElasticNet': ElasticNet(), 'SVR': SVR(kernel='linear') } for name, model in models.items(): model.fit(X_train, y_train) y_pred = model.predict(X_test) mse = mean_squared_error(y_test, y_pred) print(f'{name} Mean Squared Error: {mse:.2f}') ``` 这段程序分别构建了几类不同的回归模型，并逐一打印其对应的 MSE 结果[^4]。 --- ###