模型评估实战

Scikit-learn 教程 · 第 8 章 · 4 次浏览

综合实战：完整的机器学习项目流程——数据、预处理、多模型对比、调参、保存、部署预测接口。这是把 sklearn 从入门用到实战的闭环。

项目：葡萄酒质量预测

用 sklearn 内置葡萄酒数据集，预测酒的类别。流程：划分 → 标准化 → 多模型对比 → 网格调参 → 保存 → 写预测函数。

代码示例

import joblib
import numpy as np
from sklearn.datasets import load_wine
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.preprocessing import StandardScaler
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report

# 1. 数据
X, y = load_wine(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.3, random_state=42)

# 2. 预处理
scaler = StandardScaler()
X_train_s = scaler.fit_transform(X_train)
X_test_s = scaler.transform(X_test)

# 3. 模型 + 调参
grid = GridSearchCV(
    RandomForestClassifier(random_state=42),
    {"n_estimators": [50, 100], "max_depth": [5, 10]},
    cv=5, n_jobs=-1)
grid.fit(X_train_s, y_train)

# 4. 评估
print("最佳参数:", grid.best_params_)
print(classification_report(y_test, grid.predict(X_test_s)))

# 5. 保存整个流程（scaler + 模型）
joblib.dump({"scaler": scaler, "model": grid.best_estimator_},
            "wine_model.pkl")

# 6. 预测函数
def predict_wine(features):
    pkg = joblib.load("wine_model.pkl")
    x = np.array(features).reshape(1, -1)
    x_s = pkg["scaler"].transform(x)
    return pkg["model"].predict(x_s)[0]

# 测试预测
print("预测类别:", predict_wine(X_test[0]))

📚 Python 语法速查

常用条目速查，完整版见对应教程章节。可复制代码到在线运行中测试。

写法 / 语法	作用
`print("hello")`	输出到控制台
`name = "张三"`	变量赋值（无需声明类型）
`if x > 0: ...`	条件判断（注意冒号和缩进）
`for i in range(10): ...`	循环（缩进是语法的一部分）
`while x < 10: ...`	条件循环
`def fn(a, b): return a + b`	定义函数
`class Person: ...`	定义类
`list = [1, 2, 3]`	列表（可改）
`tuple = (1, 2)`	元组（不可改）
`dict = {"key": "value"}`	字典（键值对）
`set = {1, 2, 3}`	集合（去重）
`len(obj)`	取长度
`str(x) / int(x) / float(x)`	类型转换
`s.split(",")`	字符串按分隔符拆分
`" ".join(list)`	列表拼接成字符串
`import os`	导入模块
`from math import sqrt`	从模块导入指定函数
`try: ... except Exception as e: ...`	异常捕获
`with open("a.txt", "r") as f: ...`	文件读取（自动关闭）
`f"你好 {name}"`	f-string 格式化
`lambda x: x * 2`	匿名函数
`list(map(fn, arr))`	函数式处理列表
`range(start, stop, step)`	生成数字序列
`if __name__ == "__main__":`	主入口判断
`pip install 包名`	安装第三方包（命令行）