Giới thiệu thư viện Scikit-learn cho người mới học ML

df_iris = pd.DataFrame(iris.data, columns=iris.feature_names)
df_iris['species'] = pd.Categorical.from_codes(iris.target, iris.target_names)
df_iris.head()

Tiền xử lý dữ liệu với Scikit-learn

Trước khi huấn luyện mô hình, bạn thường cần chuẩn hóa dữ liệu để các đặc trưng có cùng thang đo. Scikit-learn cung cấp các công cụ tiện lợi cho bước này.

from sklearn.preprocessing import StandardScaler

# Chuẩn hóa dữ liệu
scaler = StandardScaler()
scaled_features = scaler.fit_transform(df_iris.iloc[:, :-1])
scaled_df = pd.DataFrame(scaled_features, columns=iris.feature_names)
scaled_df.head()

Xây dựng mô hình phân loại đơn giản

Hãy thử xây dựng một mô hình phân loại để dự đoán loài hoa Iris bằng thuật toán KNN.

from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score, classification_report

# Tách dữ liệu train/test
X_train, X_test, y_train, y_test = train_test_split(scaled_features, iris.target, test_size=0.2, random_state=42)

# Khởi tạo và huấn luyện mô hình
knn = KNeighborsClassifier(n_neighbors=3)
knn.fit(X_train, y_train)

# Dự đoán và đánh giá
y_pred = knn.predict(X_test)
print("Độ chính xác:", accuracy_score(y_test, y_pred))
print(classification_report(y_test, y_pred, target_names=iris.target_names))

Trực quan hóa kết quả phân loại

Bạn có thể trực quan hóa kết quả phân loại trên 2 đặc trưng để hiểu rõ hơn về khả năng phân tách của mô hình.

plt.figure(figsize=(8,6))
sns.scatterplot(x=scaled_df['sepal length (cm)'], y=scaled_df['sepal width (cm)'], hue=df_iris['species'])
plt.title("Phân bố dữ liệu Iris")
plt.show()

Áp dụng hồi quy tuyến tính với Scikit-learn

Ngoài phân loại, Scikit-learn còn hỗ trợ hồi quy. Hãy thử một ví dụ với bộ dữ liệu Boston Housing để dự đoán giá nhà.

from sklearn.linear_model import LinearRegression
from sklearn.datasets import load_boston

# Load dữ liệu Boston
boston = load_boston()
X_boston = boston.data
y_boston = boston.target

# Tách train/test
X_train, X_test, y_train, y_test = train_test_split(X_boston, y_boston, test_size=0.2, random_state=42)

# Huấn luyện mô hình
lr = LinearRegression()
lr.fit(X_train, y_train)

# Dự đoán và đánh giá
y_pred = lr.predict(X_test)
print("Hệ số R^2:", lr.score(X_test, y_test))

Tích hợp pipeline và GridSearchCV để tối ưu mô hình

Scikit-learn hỗ trợ Pipeline để kết hợp nhiều bước tiền xử lý và huấn luyện thành một quy trình. Bạn cũng có thể dùng GridSearchCV để tìm tham số tối ưu.

from sklearn.pipeline import Pipeline
from sklearn.model_selection import GridSearchCV

# Tạo pipeline
pipeline = Pipeline([
    ('scaler', StandardScaler()),
    ('knn', KNeighborsClassifier())
])

# Định nghĩa tham số cần tìm
param_grid = {'knn__n_neighbors': range(1, 10)}
grid = GridSearchCV(pipeline, param_grid, cv=5)
grid.fit(X_train, y_train)

print("Tham số tốt nhất:", grid.best_params_)
print("Độ chính xác tốt nhất:", grid.best_score_)