如何用 scikit-learn 训练第一个分类模型

机器学习入门最经典的第一课，就是用 scikit-learn 训练一个分类模型。它把”加载数据、预处理、训练、评估”封装成统一的接口，几十行代码就能跑通完整流程。这篇教程以鸢尾花数据集为例，手把手带你走完每一步。

机器学习的标准流程

不管多复杂的模型，都遵循这条流水线：

    graph LR
    A[加载数据] --> B[划分训练测试集]
    B --> C[特征预处理]
    C --> D[训练模型]
    D --> E[评估效果]
    E --> F[预测新数据]

前置准备

pip install scikit-learn pandas matplotlib

步骤一：加载数据集

sklearn 自带鸢尾花数据集，包含 150 条样本、4 个特征、3 个类别：

from sklearn.datasets import load_iris

data = load_iris()
X = data.data        # 特征：花萼、花瓣的长宽
y = data.target      # 标签：3 种鸢尾花
print(X.shape, y.shape)   # (150, 4) (150,)

步骤二：划分训练集与测试集

用一部分数据训练、另一部分评估，避免模型”背答案”：

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42, stratify=y)

test_size=0.2：20% 作测试集
stratify=y：保证训练/测试集里各类别比例一致
random_state：固定随机种子，结果可复现

步骤三：特征预处理

不同特征量纲不同，标准化能提升很多模型的效果：

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)   # 训练集 fit + transform
X_test = scaler.transform(X_test)         # 测试集只 transform

注意：测试集只能用训练集学到的均值方差来 transform，不能重新 fit，否则会造成数据泄漏。

步骤四：选择并训练模型

以逻辑回归为例，fit 一行完成训练：

from sklearn.linear_model import LogisticRegression

model = LogisticRegression(max_iter=200)
model.fit(X_train, y_train)

换成决策树、SVM、随机森林，只需替换这一行，接口完全一致。

步骤五：评估效果

from sklearn.metrics import accuracy_score, classification_report

y_pred = model.predict(X_test)
print("准确率：", accuracy_score(y_test, y_pred))
print(classification_report(y_test, y_pred, target_names=data.target_names))

准确率之外，还要看精确率、召回率、F1，尤其在类别不平衡时。

步骤六：预测新数据

new_sample = [[5.1, 3.5, 1.4, 0.2]]
new_scaled = scaler.transform(new_sample)
pred = model.predict(new_scaled)
print("预测类别：", data.target_names[pred][0])

步骤七：用 Pipeline 一键串联

预处理和模型可以用 Pipeline 打包，避免手动管理 scaler：

from sklearn.pipeline import make_pipeline

pipe = make_pipeline(StandardScaler(), LogisticRegression(max_iter=200))
pipe.fit(X_train, y_train)
print(pipe.score(X_test, y_test))   # 直接输出准确率

Pipeline 把预处理和模型作为一个整体，杜绝数据泄漏，也方便后续调参。