Machine learning cheat sheet: bảng tra scikit-learn
Bài 1/9 · Chương 14
Trang phụ trợ
- 6 phút
- Trung cấp
- Python 3.14
- Cập nhật
Trong bài này · 12
Machine learning cheat sheet này gom các lệnh scikit-learn của cả tutorial vào một trang, chia thành bảy nhóm theo thứ tự làm một dự án: chia dữ liệu, tiền xử lý, model phân loại, model hồi quy, pipeline và chấm điểm, học không giám sát, tìm tham số. Mỗi dòng có việc cần làm, lệnh, kết quả thật khi chạy và một link tới bài dạy kỹ lệnh đó.
Cách đọc sklearn cheat sheet này
Mỗi nhóm mở đầu bằng một đoạn code ngắn tạo dữ liệu dùng chung, thường bằng make_classification() hay make_regression() với random_state cố định, nên kết quả trên máy bạn giống hệt bảng. Các dòng của bảng chạy lần lượt sau đoạn đó, như khi gõ từng dòng vào cửa sổ Python tương tác: dòng sau thấy biến mà dòng trước gán. Cột Kết quả là đúng thứ được in ra; ô có dấu gạch ngang là dòng không in gì, như một phép gán.
Dữ liệu sinh ngẫu nhiên chỉ để lệnh có cái mà chạy; đừng đọc các con số điểm như kết luận về model nào tốt hơn. Bảng tra lệnh NumPy có ở cheat sheet NumPy, công thức thống kê ở cheat sheet thống kê, còn cách chọn metric ở bảng tra metric.
Dữ liệu và chia dữ liệu
300 dòng, 5 feature, hai lớp lệch 80/20.
import numpy as np
from sklearn.datasets import make_classification
from sklearn.model_selection import KFold, train_test_split
X, y = make_classification(n_samples=300, n_features=5,
weights=[0.8], random_state=0)
Cần làm | Cú pháp | Kết quả | Bài |
|---|---|---|---|
Xem cỡ bảng feature |
|
| |
Đếm số dòng mỗi lớp |
|
| |
Chia train, test giữ tỉ lệ lớp |
| — | |
Số dòng mỗi phần |
|
| |
Tỉ lệ lớp 1 trong test |
|
| |
Cỡ phần kiểm của 5 fold |
|
|
Tiền xử lý
Bảng bốn hội viên có một ô tuổi trống và một cột chữ.
import pandas as pd
from sklearn.compose import make_column_transformer
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import OneHotEncoder, StandardScaler
bang = pd.DataFrame({"tuoi": [22, 35, None, 41],
"goi": ["Tháng", "Năm", "Tháng", "Quý"]})
Cần làm | Cú pháp | Kết quả | Bài |
|---|---|---|---|
Điền ô trống bằng trung vị |
|
| |
Đưa cột số về cùng thang đo |
|
| |
Tên cột sau one-hot |
|
| |
Ghép xử lý theo từng cột |
| — | |
Số cột sau khi ghép |
|
| |
Đổi cột chữ bằng pandas |
|
|
Model phân loại
Cùng dữ liệu của nhóm đầu, đã chia train và test. score() của model phân loại là accuracy trên phần được chấm.
from sklearn.datasets import make_classification
from sklearn.dummy import DummyClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.tree import DecisionTreeClassifier
X, y = make_classification(n_samples=300, n_features=5,
weights=[0.8], random_state=0)
X_tr, X_te, y_tr, y_te = train_test_split(
X, y, test_size=0.25, stratify=y, random_state=0)
Cần làm | Cú pháp | Kết quả | Bài |
|---|---|---|---|
Baseline: luôn đoán lớp đông |
|
| |
Logistic regression |
| — | |
Accuracy trên test |
|
| |
Xác suất lớp 1 của ba dòng đầu |
|
| |
K láng giềng gần nhất |
|
| |
Cây quyết định giới hạn độ sâu |
|
| |
Rừng ngẫu nhiên |
|
|
Model hồi quy
200 dòng, 4 feature, có nhiễu. score() của model hồi quy là R² trên phần được chấm.
from sklearn.datasets import make_regression
from sklearn.dummy import DummyRegressor
from sklearn.ensemble import HistGradientBoostingRegressor
from sklearn.linear_model import Lasso, LinearRegression, Ridge
from sklearn.model_selection import train_test_split
X, y = make_regression(n_samples=200, n_features=4, noise=20,
random_state=0)
X_tr, X_te, y_tr, y_te = train_test_split(
X, y, test_size=0.25, random_state=0)
Cần làm | Cú pháp | Kết quả | Bài |
|---|---|---|---|
Baseline: luôn đoán trung bình |
|
| |
Hồi quy tuyến tính |
| — | |
R² trên test |
|
| |
Hệ số của bốn feature |
|
| |
Ridge, phạt bình phương hệ số |
|
| |
Lasso, đếm hệ số khác 0 |
|
| |
Boosting cho hồi quy |
|
|
Pipeline và chấm điểm
Một pipeline chuẩn hóa rồi logistic regression, chấm bằng cross-validation và bằng các metric trên phần test.
from sklearn.datasets import make_classification
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import (confusion_matrix, f1_score,
roc_auc_score)
from sklearn.model_selection import (cross_val_score,
train_test_split)
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
X, y = make_classification(n_samples=300, n_features=5,
weights=[0.8], random_state=0)
X_tr, X_te, y_tr, y_te = train_test_split(
X, y, test_size=0.25, stratify=y, random_state=0)
Cần làm | Cú pháp | Kết quả | Bài |
|---|---|---|---|
Nối chuẩn hóa và model |
| — | |
Tên các bước |
|
| |
ROC-AUC trung bình 5 fold |
|
| |
Fit trên train |
| — | |
Confusion matrix trên test |
|
| |
F1 của lớp 1 |
|
| |
ROC-AUC trên test, từ xác suất |
|
|
Học không giám sát
300 điểm quanh ba tâm, hai chiều.
import numpy as np
from sklearn.cluster import KMeans
from sklearn.datasets import make_blobs
from sklearn.decomposition import PCA
X, _ = make_blobs(n_samples=300, centers=3, n_features=2,
random_state=0)
Cần làm | Cú pháp | Kết quả | Bài |
|---|---|---|---|
Gom thành 3 cụm |
| — | |
Số điểm mỗi cụm |
|
| |
Tổng bình phương khoảng cách tới tâm |
|
| |
Tỉ lệ phương sai mỗi trục PCA giữ |
|
|
Tìm tham số
Tìm C của logistic regression trong một pipeline, chấm bằng ROC-AUC 3 fold.
from sklearn.datasets import make_classification
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import GridSearchCV
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
X, y = make_classification(n_samples=300, n_features=5,
weights=[0.8], random_state=0)
pipe = make_pipeline(StandardScaler(), LogisticRegression())
luoi = {"logisticregression__C": [0.01, 0.1, 1, 10]}
Cần làm | Cú pháp | Kết quả | Bài |
|---|---|---|---|
Tên tham số của một bước trong pipeline |
|
| |
Thử mọi giá trị của lưới |
| — | |
Giá trị tốt nhất |
|
| |
Điểm cross-validation tốt nhất |
|
| |
Số lần fit trong cross-validation (chưa tính 1 lần refit) |
|
|
best_score_ là điểm trên chính các fold đã dùng để chọn C, nên lạc quan; muốn một con số trung thực, chấm model tìm được trên một tập test để riêng, hay dùng nested cross-validation. Lưu model đã fit ra file bằng joblib.dump() có ở bài lưu model bằng joblib.
Câu hỏi thường gặp
Có bản cheat sheet chính thức của scikit-learn không?
Tài liệu của scikit-learn có một sơ đồ chọn estimator theo loại bài toán và cỡ dữ liệu. Trang này khác ở chỗ mỗi dòng là một lệnh chạy được kèm kết quả thật, và trỏ về bài dạy kỹ lệnh đó trong tutorial; bảng chọn model có ở bài chọn model.
Vì sao mỗi nhóm lại tạo dữ liệu từ đầu?
Để mỗi nhóm đọc được riêng: bạn nhảy thẳng tới nhóm "Tìm tham số" mà không cần chạy các nhóm trên. Cùng random_state=0 nên dữ liệu phân loại của bốn nhóm giống hệt nhau.
Lệnh trong bảng có chạy trên bản scikit-learn cũ không?
Bảng chạy trên scikit-learn 1.8. Phần lớn lệnh chạy từ bản 1.4 trở đi; vài tên đã đổi so với code cũ trên mạng, như sparse_output hay root_mean_squared_error, có ở trang sửa code scikit-learn cũ.
Chủ đề
Bài này có hữu ích?
Hỏi đáp
Tham vấn chuyên môn
Nhà sáng lập AIDev và VietPlatform · Thạc sĩ AI MSE
- Tốt nghiệp thủ khoa xuất sắc Thạc sĩ AI MSE.
- Đồng sáng lập, CTO E-University, SVOnline: số hóa 10+ đại học, 40.000+ sinh viên.
- Xây hệ thống AI cho doanh nghiệp tại VietPlatform.