Scikit-learn 是一个强大的机器学习库，提供了许多机器学习算法的实现。以下是使用 Scikit-learn 进行机器学习的五个基本步骤，每个步骤都包含一个代码示例。

步骤1：安装和导入Scikit-learn

首先，确保你已经安装了 Scikit-learn。如果没有安装，可以通过以下命令进行安装：

pip install scikit-learn 

接下来，导入 Scikit-learn 的关键模块：

from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.neighbors import KNeighborsClassifier from sklearn.metrics import accuracy_score 

步骤2：加载数据集

Scikit-learn 提供了许多内置的数据集，例如鸢尾花（Iris）数据集：

iris = load_iris() X = iris.data y = iris.target 

步骤3：数据集拆分

将数据集拆分为训练集和测试集：

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) 

步骤4：数据预处理

在训练模型之前，通常需要对数据进行预处理。以下是一个标准化数据的示例：

scaler = StandardScaler() X_train_scaled = scaler.fit_transform(X_train) X_test_scaled = scaler.transform(X_test) 

步骤5：模型训练和评估

选择一个模型，例如 K-近邻（KNN），进行训练，并评估其性能：

knn = KNeighborsClassifier(n_neighbors=3) knn.fit(X_train_scaled, y_train) # 预测测试集结果 y_pred = knn.predict(X_test_scaled) # 计算准确率 accuracy = accuracy_score(y_test, y_pred) print(f"Accuracy: {accuracy:.2f}") 

通过以上五个步骤，你就可以开始使用 Scikit-learn 进行机器学习了。每个步骤都可以根据具体问题进行调整和优化。希望这个入门指南能帮助你快速上手 Scikit-learn。