کتابخانه‌ Scikit-Learn یکی از محبوب‌ترین کتابخانه‌ها برای یادگیری ماشین در پایتون است که به شما این امکان را می‌دهد تا مدل‌های مختلف یادگیری ماشین را به راحتی پیاده‌سازی و آزمایش کنید، در این مقاله از کدیتی به معرفی این کتابخانه قدرتمند میپردازیم.

نصب Scikit-Learn

نصب Scikit-Learn از طریق pip بسیار ساده است:

pip install scikit-learn

ویژگی‌های کلیدی Scikit-Learn

کتابخانه‌ Scikit-Learn شامل مجموعه‌ای از الگوریتم‌های یادگیری ماشین، ابزارهای پیش‌پردازش داده‌ها، و متدهای ارزیابی است. این کتابخانه، محیطی کاربرپسند برای توسعه‌دهندگان فراهم می‌کند.

الگوریتم‌های یادگیری ماشین

Scikit-Learn شامل الگوریتم‌های متنوعی است، از جمله:

  • رگرسیون: linear regression
  • طبقه‌بندی: logistic regression, decision trees
  • خوشه‌بندی: K-means, hierarchical clustering

پیش‌پردازش داده‌ها

Scikit-Learn ابزارهایی برای پیش‌پردازش داده‌ها در اختیار دارد، مانند:

  • تبدیل ویژگی: StandardScaler برای استانداردسازی ویژگی‌ها
  • داده‌های گمشده: Imputer برای مدیریت داده‌های گمشده

ارزیابی مدل‌ها

کتابخانه‌ Scikit-Learn به شما این امکان را می‌دهد که مدل‌ها را به راحتی ارزیابی کنید. از متدهای متنوعی مانند cross-validation و metrics استفاده کنید.

ایجاد یک مدل یادگیری ماشین

برای ایجاد یک مدل یادگیری ماشین در Scikit-Learn، فرآیند زیر را دنبال کنید:

1. بارگذاری داده‌ها

from sklearn.datasets import load_iris

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

2. تقسیم داده‌ها به آموزش و تست

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.2)

3. انتخاب مدل و آموزش آن

from sklearn.ensemble import RandomForestClassifier

model = RandomForestClassifier()
model.fit(X_train, y_train)

4. پیش‌بینی

predictions = model.predict(X_test)

5. ارزیابی مدل

from sklearn.metrics import accuracy_score

accuracy = accuracy_score(y_test, predictions)
print(f‘Accuracy: {accuracy}’)

نتیجه‌گیری

Scikit-Learn به عنوان یکی از ابزارهای اصلی در زمینه یادگیری ماشین، محیطی راحت و کابل برای توسعه‌دهندگان فراهم می‌کند. با استفاده از این کتابخانه، می‌توانید به راحتی انواع الگوریتم‌های یادگیری ماشین را پیاده‌سازی و آزمایش کنید.