Scikit-Learn: Maschinelles Lernen in Python

Scikit-Learn ist eine beliebte Open-Source-Bibliothek für maschinelles Lernen in Python. Sie bietet eine breite Palette von Algorithmen für Klassifikation, Regression, Clustering, Dimensionsreduktion und Modellauswahl.

Scikit-Learn-Grundlagen

Um Scikit-Learn zu verwenden, musst Du zunächst die benötigten Module importieren:

import numpy as np

import pandas as pd

from sklearn import datasets

from sklearn.model_selection import train_test_split

from sklearn.preprocessing import StandardScaler

Datenaufbereitung

Bevor Du ein Modell trainierst, musst Du die Daten aufbereiten, z. B. durch Normalisierung und Aufteilung in Trainings- und Testdaten.

# Iris-Datensatz laden

iris = datasets.load_iris()

X = iris.data

y = iris.target

# Aufteilung der Daten in Trainings- und Testdaten

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

# Normalisierung der Daten

scaler = StandardScaler()

X_train = scaler.fit_transform(X_train)

X_test = scaler.transform(X_test)

Modellauswahl und Training

Scikit-Learn bietet eine Vielzahl von Algorithmen zur Auswahl. Hier ein Beispiel für die Verwendung von K-Nearest Neighbors (KNN) zur Klassifikation:

from sklearn.neighbors import KNeighborsClassifier

# KNN-Modell erstellen

knn = KNeighborsClassifier(n_neighbors=3)

# Modell trainieren

knn.fit(X_train, y_train)

Modellbewertung

Um die Leistung des Modells zu bewerten, kannst Du die Genauigkeit auf den Testdaten berechnen:

# Genauigkeit berechnen

accuracy = knn.score(X_test, y_test)

print("Accuracy:", accuracy)

Modellanwendung

Schließlich kannst Du das trainierte Modell verwenden, um Vorhersagen für neue Daten zu treffen:

# Neue Daten vorbereiten

new_data = np.array([[5.1, 3.5, 1.4, 0.2]])

# Daten normalisieren

new_data = scaler.transform(new_data)

# Vorhersage treffen

prediction = knn.predict(new_data)

print("Prediction:", iris.target_names[prediction])

Fazit

Scikit-Learn ist eine umfassende und einfach zu bedienende Bibliothek für maschinelles Lernen in Python. Mit einer Vielzahl von Algorithmen und Hilfsfunktionen zur Datenaufbereitung, Modellbewertung und Hyperparameteroptimierung bietet Scikit-Learn alles, was Du benötigst, um leistungsfähige Modelle für die Analyse und Vorhersage von Daten zu erstellen.