Introducción a Sklearn

Sklearn, cuyo nombre completo esSklearn, es una biblioteca de aprendizaje automático de código abierto basada en Python.

Sklearn es una biblioteca de aprendizaje automático potente y fácil de usar que proporciona un conjunto completo de herramientas desde el preprocesamiento de datos hasta la evaluación de modelos.

Sklearn está construido sobre NumPy y SciPy, por lo que puede manejar eficientemente cálculos numéricos y operaciones con matrices.

Sklearn es adecuado para diversos tipos de tareas de aprendizaje automático, como clasificación, regresión, agrupamiento, reducción de dimensionalidad, etc.

Gracias a su API simple y consistente, Sklearn se ha convertido en una de las herramientas imprescindibles para entusiastas y expertos del aprendizaje automático.

Cómo funciona Sklearn

En Sklearn, el flujo de aprendizaje automático sigue un patrón: carga de datos, preprocesamiento de datos, entrenamiento del modelo, evaluación del modelo y optimización del modelo.

El flujo de trabajo específico es el siguiente:

  • Carga de datos: use Sklearn u otras bibliotecas para cargar conjuntos de datos, por ejemplo mediantedatasets.load_iris()cargar el clásico conjunto de datos Iris, o usartrain_test_split()dividir los datos.
  • Preprocesamiento de datos: según el tipo de datos, pueden ser necesarias operaciones como estandarización, eliminación de ruido, imputación de valores faltantes, etc.
  • Seleccionar el algoritmo y entrenar el modelo: elija el algoritmo adecuado (como regresión logística, máquinas de soporte vectorial, etc.), use.fit()método para entrenar el modelo.
  • Evaluación del modelo: use validación cruzada o un único conjunto de entrenamiento/prueba para evaluar métricas de rendimiento como precisión, recuperación, puntuación F1, etc.
  • Optimización del modelo: use la búsqueda en cuadrícula (GridSearchCV) o búsqueda aleatoria (RandomizedSearchCV) para optimizar los hiperparámetros del modelo y mejorar su rendimiento.

Características de Sklearn

  • Facilidad de uso: el diseño de la API de Sklearn es simple y consistente, lo que hace que la curva de aprendizaje sea relativamente suave. Con simplesfit、predict、scoremétodos como estos, se pueden implementar rápidamente tareas de aprendizaje automático.
  • Eficiencia: aunque Sklearn está escrito en Python puro, la mayoría de sus implementaciones subyacentes dependen de Cython y NumPy, lo que lo hace muy rápido al ejecutar algoritmos de aprendizaje automático.
  • Amplia funcionalidad: Sklearn proporciona una gran cantidad de algoritmos clásicos de aprendizaje automático, incluyendo:
    • Algoritmos de clasificación: como regresión logística, máquinas de soporte vectorial (SVM), K vecinos más cercanos (KNN), bosques aleatorios, etc.
    • Algoritmos de regresión: como regresión lineal, regresión ridge, regresión Lasso, etc.
    • Algoritmos de agrupamiento: como K-means, agrupamiento jerárquico, DBSCAN, etc.
    • Algoritmos de reducción de dimensionalidad: como análisis de componentes principales (PCA), t-SNE, etc.
    • Selección y evaluación de modelos: validación cruzada, búsqueda en cuadrícula, métricas de evaluación de modelos, etc.
  • Buena compatibilidad: Sklearn es altamente compatible con bibliotecas de procesamiento de datos de Python como NumPy, SciPy, Pandas, y admite múltiples formatos de datos (como matrices NumPy, DataFrames de Pandas) para entrada y salida.

Tareas de aprendizaje automático compatibles con Sklearn

Sklearn proporciona herramientas ricas y compatibles con los siguientes tipos de tareas de aprendizaje automático:

  • Aprendizaje supervisado：
    • Problemas de clasificación: predecir la categoría de los datos (por ejemplo, clasificación de correos electrónicos no deseados, clasificación de imágenes, predicción de enfermedades, etc.).
    • Problemas de regresión: predecir valores continuos (por ejemplo, predicción de precios de viviendas, predicción del precio de acciones, etc.).
  • Aprendizaje no supervisado：
    • Problemas de agrupamiento: agrupar datos en diferentes clústeres (por ejemplo, segmentación de clientes, agrupamiento de documentos, etc.).
    • Problemas de reducción de dimensionalidad: proyectar datos de alta dimensión a un espacio de baja dimensión para facilitar la visualización o reducir la complejidad computacional (por ejemplo, PCA, t-SNE).
  • Aprendizaje semisupervisado: algunos datos están etiquetados y otros no, y el modelo intenta extraer información de estos datos.
  • Aprendizaje por refuerzo: aunque Sklearn se centra principalmente en el aprendizaje supervisado y no supervisado, también cuenta con algunas herramientas relacionadas que pueden utilizarse para abordar problemas de aprendizaje por refuerzo.

Módulos y clases comunes en Sklearn

  • Clasificación
    • sklearn.linear_model.LogisticRegression: regresión logística
    • sklearn.svm.SVC: clasificación con máquinas de soporte vectorial
    • sklearn.neighbors.KNeighborsClassifier: clasificación por K vecinos más cercanos
    • sklearn.ensemble.RandomForestClassifier: clasificación con bosques aleatorios
  • Regresión
    • sklearn.linear_model.LinearRegression: regresión lineal
    • sklearn.linear_model.Ridge: regresión ridge
    • sklearn.ensemble.RandomForestRegressor: regresión con bosques aleatorios
  • Agrupamiento (Clustering)
    • sklearn.cluster.KMeans: agrupamiento por K-means
    • sklearn.cluster.DBSCAN: agrupamiento espacial basado en densidad
  • Reducción de dimensionalidad
    • sklearn.decomposition.PCA: análisis de componentes principales (PCA)
    • sklearn.decomposition.NMF: factorización de matrices no negativas
  • Selección de modelos
    • sklearn.model_selection.train_test_split: dividir el conjunto de datos en conjunto de entrenamiento y prueba
    • sklearn.model_selection.GridSearchCV: búsqueda en cuadrícula para encontrar los mejores hiperparámetros
  • Preprocesamiento de datos
    • sklearn.preprocessing.StandardScaler: estandarización
    • sklearn.preprocessing.MinMaxScaler: normalización mínima-máxima (min-max)
    • sklearn.preprocessing.OneHotEncoder: codificación one-hot

Explicación de términos comunes

  • Ajuste (Fit): se refiere a aplicar el modelo a los datos de entrenamiento y ajustar sus parámetros mediante el entrenamiento.model.fit(X_train, y_train)
  • Predicción (Predict): predecir datos desconocidos basándose en el modelo entrenado.model.predict(X_test)
  • Evaluación (Score): evalúa el rendimiento del modelo y normalmente devuelve una métrica de puntuación, como la exactitud.model.score(X_test, y_test)
  • Validación cruzada: divide el conjunto de datos en varios subconjuntos y evalúa la estabilidad y la capacidad de generalización del modelo mediante múltiples entrenamientos y validaciones.

Relación de Sklearn con otras bibliotecas

  • Relación con NumPy y SciPy: Sklearn está construido sobre NumPy y SciPy, por lo que puede manejar eficientemente cálculos numéricos y operaciones con matrices.
  • Relación con Pandas: Pandas proporciona potentes capacidades de procesamiento de datos, mientras que Sklearn admite la extracción directa de datos de los DataFrames de Pandas para el entrenamiento de modelos y la predicción.
  • Relación con TensorFlow y PyTorch: Sklearn se centra principalmente en métodos tradicionales de aprendizaje automático, mientras que TensorFlow y PyTorch se enfocan más en modelos de aprendizaje profundo. No obstante, Sklearn puede combinarse con estas bibliotecas para realizar tareas preliminares de ingeniería de características, o servir como modelo base para comparar con el aprendizaje profundo.

Otras extensiones