Python机器学习库scikit-learn入门开发示例

当涉及到使用Python机器学习库scikit-learn进行入门开发时，以下是一个完整的攻略，其中包含两个示例说明：

1. 安装和导入scikit-learn

首先，确保已经安装了scikit-learn库。可以使用pip命令进行安装：

pip install scikit-learn

安装完成后，可以在Python脚本中导入scikit-learn库：

import sklearn

2. 示例1：线性回归

线性回归是一种常见的机器学习算法，用于预测连续型变量。以下是一个使用scikit-learn进行线性回归的示例：

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

# 准备数据
X = [[1], [2], [3], [4], [5]]  # 特征矩阵
y = [2, 4, 6, 8, 10]  # 目标变量

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建线性回归模型
model = LinearRegression()

# 训练模型
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)

# 评估模型
mse = mean_squared_error(y_test, y_pred)
print(\"均方误差：\", mse)

在这个示例中，我们使用了一个简单的特征矩阵X和目标变量y。通过划分训练集和测试集，我们使用线性回归模型进行训练和预测，并使用均方误差评估模型的性能。

3. 示例2：分类问题

除了回归问题，scikit-learn也支持分类问题。以下是一个使用scikit-learn进行分类的示例：

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

# 加载数据集
iris = load_iris()
X = iris.data  # 特征矩阵
y = iris.target  # 目标变量

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建K近邻分类器
model = KNeighborsClassifier(n_neighbors=3)

# 训练模型
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)

# 评估模型
accuracy = accuracy_score(y_test, y_pred)
print(\"准确率：\", accuracy)

在这个示例中，我们使用了鸢尾花数据集（load_iris）作为示例数据。通过划分训练集和测试集，我们使用K近邻分类器进行训练和预测，并使用准确率评估模型的性能。

以上是使用scikit-learn进行入门开发的完整攻略，包含两个示例说明。请根据您的具体需求和数据特点，适当调整和扩展这些步骤。