Scikit-learn: Một thư viện toàn diện cho các thuật toán học máy cơ bản (phân loại, hồi quy, cụm)

Scikit-learn

Mục tiêu: Cung cấp một thư viện toàn diện cho học máy cơ bản và tiền xử lý dữ liệu.

🔧 Tiền xử lý dữ liệu (Preprocessing)

• Chuẩn hóa (Standardization): giúp các đặc trưng có cùng thang đo, cải thiện hiệu suất mô hình.

• Mã hóa (Encoding): chuyển đổi dữ liệu phân loại thành số (LabelEncoder, OneHotEncoder).

• Chia tập dữ liệu: tách dữ liệu thành tập huấn luyện (train) và kiểm tra (test) nhanh chóng.

🤖 Thuật toán học máy cơ bản

• Phân loại (Classification): Logistic Regression, KNN, Random Forest, SVM,...

• Hồi quy (Regression): Linear Regression, Ridge, Lasso,...

• Phân cụm (Clustering): KMeans, DBSCAN, Agglomerative Clustering,...

💡 Đặc điểm nổi bật:

• Giao diện đơn giản, dễ tích hợp vào quy trình học máy.

• Là lựa chọn hàng đầu cho người mới bắt đầu với AI/ML.

• Tích hợp tốt với NumPy, Pandas và Matplotlib.

Ví dụ tổng quát:

from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.datasets import load_iris

# Tải bộ dữ liệu mẫu
data = load_iris()
X, y = data.data, data.target

# Chuẩn hóa dữ liệu
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# Chia dữ liệu
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2)

# Huấn luyện mô hình phân loại
model = LogisticRegression()
model.fit(X_train, y_train)

# Dự đoán
predictions = model.predict(X_test)

---