Python机器学习入门：3个实战项目快速上手

weixin_34289454

618人浏览 · 2026-07-15 10:35:12

weixin_34289454 · 2026-07-15 10:35:12 发布

1. 项目概述

三年前我第一次接触机器学习时，面对满屏的数学公式和抽象概念，差点就放弃了。直到发现用Python代码实现一个简单的分类器只需要不到50行代码，才真正打开了这扇大门。这篇教程就是写给当初像我一样迷茫的初学者，用最接地气的方式带你快速上手机器学习。

我们将从零开始，用Python的scikit-learn库实现三个经典案例：鸢尾花分类、房价预测和手写数字识别。不需要高深的数学基础，只要会写if-else和for循环，你就能在2小时内完成第一个机器学习项目。

2. 核心工具与环境搭建

2.1 Python环境配置

推荐使用Anaconda发行版，它已经集成了我们需要的所有工具。安装时注意勾选"Add to PATH"选项。验证安装成功的命令：

python --version
conda list scikit-learn

注意：如果遇到SSL证书错误，可以尝试切换清华镜像源：
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/

2.2 必备库安装

除了scikit-learn，我们还需要以下库：

pip install numpy pandas matplotlib jupyter

测试环境是否正常：

import sklearn
print(sklearn.__version__)  # 应该显示1.0以上版本

3. 第一个分类项目：鸢尾花识别

3.1 理解数据集

鸢尾花数据集包含150个样本，每个样本有4个特征：

花萼长度
花萼宽度
花瓣长度
花瓣宽度

目标是将花分为3类：山鸢尾、变色鸢尾和维吉尼亚鸢尾。

3.2 代码实现

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier

# 加载数据
iris = load_iris()
X, y = iris.data, iris.target

# 拆分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)

# 创建KNN分类器
knn = KNeighborsClassifier(n_neighbors=3)

# 训练模型
knn.fit(X_train, y_train)

# 评估准确率
print("准确率:", knn.score(X_test, y_test))

3.3 关键参数解析

n_neighbors ：选择最近的K个邻居投票，通常取3-10的奇数
weights ：可以设置为'distance'让更近的邻居有更大权重
metric ：距离度量方式，默认欧式距离

实操技巧：用交叉验证选择最佳K值：

from sklearn.model_selection import cross_val_score
scores = []
for k in range(1, 15):
    knn = KNeighborsClassifier(n_neighbors=k)
    score = cross_val_score(knn, X, y, cv=5).mean()
    scores.append(score)
print("最佳K值:", np.argmax(scores)+1)

4. 回归问题实战：波士顿房价预测

4.1 数据预处理

from sklearn.datasets import load_boston
boston = load_boston()

# 转换为DataFrame方便查看
import pandas as pd
df = pd.DataFrame(boston.data, columns=boston.feature_names)
df['PRICE'] = boston.target

# 检查缺失值
print(df.isnull().sum())

4.2 线性回归实现

from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

X = df.drop('PRICE', axis=1)
y = df['PRICE']

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

lr = LinearRegression()
lr.fit(X_train, y_train)

y_pred = lr.predict(X_test)
print("MSE:", mean_squared_error(y_test, y_pred))
print("系数:", lr.coef_)

4.3 特征工程技巧

标准化处理：

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

多项式特征：

from sklearn.preprocessing import PolynomialFeatures
poly = PolynomialFeatures(degree=2)
X_poly = poly.fit_transform(X)

5. 手写数字识别实战

5.1 数据可视化

from sklearn.datasets import load_digits
import matplotlib.pyplot as plt

digits = load_digits()
plt.figure(figsize=(10,5))
for i in range(10):
    plt.subplot(2,5,i+1)
    plt.imshow(digits.images[i], cmap='gray')
plt.show()

5.2 支持向量机分类

from sklearn.svm import SVC

X = digits.data
y = digits.target

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

svm = SVC(gamma=0.001, C=100.)
svm.fit(X_train, y_train)

print("准确率:", svm.score(X_test, y_test))

5.3 模型调参技巧

使用网格搜索自动寻找最优参数：

from sklearn.model_selection import GridSearchCV

param_grid = {'C': [0.1, 1, 10, 100],
              'gamma': [1, 0.1, 0.01, 0.001]}

grid = GridSearchCV(SVC(), param_grid, cv=3)
grid.fit(X_train, y_train)

print("最佳参数:", grid.best_params_)

6. 常见问题与解决方案

6.1 数据问题

数据量不足 ：使用数据增强或迁移学习
类别不平衡 ：采用过采样/欠采样或调整class_weight参数

6.2 模型问题

过拟合 ：增加正则化项、使用更简单模型、早停
欠拟合 ：增加特征、使用更复杂模型、减少正则化

6.3 调试技巧

绘制学习曲线：

from sklearn.model_selection import learning_curve
train_sizes, train_scores, test_scores = learning_curve(
    estimator, X, y, cv=5)
plt.plot(train_sizes, np.mean(train_scores, axis=1), label='训练集')
plt.plot(train_sizes, np.mean(test_scores, axis=1), label='验证集')