Scikit-learn là gì? fit, predict, score: API chung
Bài 1/5 · Chương 2
API scikit-learn và model đầu tiên
- 7 phút
- Cơ bản
- Python 3.14
- Cập nhật
Trong bài này · 12
Scikit-learn (sklearn) là thư viện học máy của Python cho dữ liệu dạng bảng, và mọi model trong đó dùng chung ba phương thức fit, predict, score: học, đoán, chấm điểm. Bạn dùng chúng mỗi khi muốn máy học một quy luật từ bảng có sẵn đáp án, như học giá nhà từ 2.500 căn đã bán để đoán giá một căn sắp rao.
Cần biết trước: read_csv(), chọn cột trong pandas và class và object.
X là bảng, y là một cột
Bảng gia_nha.csv gồm 2.500 căn ở TP. Hồ Chí Minh do AIDev giả lập; giá bán nằm ở cột gia_ty, đơn vị tỷ đồng. Đây là bài toán học có giám sát: mỗi dòng có sẵn đáp án. Trước khi gọi model, bạn tách bảng làm hai phần:
import pandas as pd
nha = pd.read_csv("gia_nha.csv")
X = nha[["dien_tich_m2", "khoang_cach_trung_tam_km"]]
y = nha["gia_ty"]
print(X.shape)
print(y.shape)KẾT QUẢ
(2500, 2)
(2500,)(2500, 2) là 2.500 căn nhà, mỗi căn hai con số; (2500,) là 2.500 giá, căn thứ k của X khớp với giá thứ k của y. Hình dạng đó đến từ số cặp ngoặc vuông: nha[[...]] luôn trả một DataFrame hai chiều, dù trong ngoặc có một tên cột hay nhiều, còn nha["gia_ty"] trả một Series một chiều. Scikit-learn đòi đúng hai hình đó.
fit(): model học từ X và y
Mỗi model của scikit-learn là một estimator: một object của một class như LinearRegression (hồi quy tuyến tính). Ở bài này bạn chưa cần biết LinearRegression tính gì bên trong, chỉ cần biết cách gọi nó. Lời gọi fit(X, y) cho model học, và những gì nó học được cất ngay trong object:
import pandas as pd
from sklearn.linear_model import LinearRegression
nha = pd.read_csv("gia_nha.csv")
X = nha[["dien_tich_m2", "khoang_cach_trung_tam_km"]]
model = LinearRegression()
model.fit(X, nha["gia_ty"])
print(model.n_features_in_)
print(model.coef_.round(3))KẾT QUẢ
2
[ 0.107 -0.592]Mỗi feature có một hệ số: thêm 1 m² thì giá dự đoán tăng khoảng 0.107 tỷ, mỗi km xa trung tâm hơn làm giá dự đoán hạ khoảng 0.592 tỷ. Thuộc tính có dấu _ ở cuối, như coef_, n_features_in_, là thứ model học từ dữ liệu, nên chỉ có sau fit(). Còn tham số đặt lúc tạo, như LinearRegression(fit_intercept=False), không có dấu _. Cách model tìm ra hai hệ số đó, và cách đọc chúng cho đúng, nằm ở bài LinearRegression.
Bạn hay gặp lối viết gọn model = LinearRegression().fit(X, y): fit() trả về chính object vừa học, nên tạo và fit nằm được trên một dòng.
predict() và score()
predict() nhận một bảng có đúng các cột như lúc fit và trả một mảng dự đoán, mỗi dòng một số. score() nhận X và y, tự đoán rồi so với đáp án, trả một điểm:
import pandas as pd
from sklearn.linear_model import LinearRegression
nha = pd.read_csv("gia_nha.csv")
cac_cot = ["dien_tich_m2", "khoang_cach_trung_tam_km"]
model = LinearRegression().fit(nha[cac_cot], nha["gia_ty"])
can_moi = pd.DataFrame({"dien_tich_m2": [60, 60],
"khoang_cach_trung_tam_km": [3, 15]})
print(model.predict(can_moi).round(2))
print(round(model.score(nha[cac_cot], nha["gia_ty"]), 3))KẾT QUẢ
[8.88 1.77]
0.485Hai căn cùng 60 m², căn cách trung tâm 3 km được đoán khoảng 8.88 tỷ, căn cách 15 km chỉ khoảng 1.77 tỷ. Với model hồi quy, score() trả điểm R²: càng gần 1 càng tốt. Con số 0.485 ở đây là điểm train, chấm trên chính 2.500 căn model đã học, nên chưa nói được model đoán căn mới ra sao. Bài train_test_split chỉ cách chấm trên những căn model chưa thấy.
Đổi [3, 15] thành [3, 8] rồi chạy lại: dòng đầu in [8.88 5.92].
Một API chung cho mọi model
Ba lời gọi fit, predict, score giống nhau ở mọi model của scikit-learn, như ổ cắm chuẩn: thiết bị nào có phích đúng chuẩn cũng cắm vừa. Đoạn dưới giữ nguyên dữ liệu và vòng lặp, chỉ đổi model. DecisionTreeRegressor là cây quyết định, bài cây quyết định dạy kỹ; ở đây nó chỉ là một estimator khác:
import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.tree import DecisionTreeRegressor
nha = pd.read_csv("gia_nha.csv")
X = nha[["dien_tich_m2", "khoang_cach_trung_tam_km"]]
y = nha["gia_ty"]
can_moi = X.head(2)
for model in [LinearRegression(),
DecisionTreeRegressor(max_depth=4, random_state=0)]:
model.fit(X, y)
print(type(model).__name__, model.predict(can_moi).round(2))KẾT QUẢ
LinearRegression [10.42 8.09]
DecisionTreeRegressor [8.56 6.09]Không dòng nào khác phải sửa. Mọi model có tham số ngẫu nhiên đều nhận random_state=, cố định nó thì lần chạy nào cũng ra cùng model. Cùng một bảng, hai model học hai quy luật khác nhau, nên đoán hai căn đầu ra hai giá khác nhau.
Kiểm tra nhanh
Với
nha = pd.DataFrame({"dien_tich_m2": [50, 80, 65], "gia_ty": [3.1, 5.2, 4.0]}),nha[["dien_tich_m2"]].shapecho kết quả gì?(3,)(3, 1)(1, 3)
Những câu nào đúng về một estimator của scikit-learn?
fit()trả về chính object vừa họccoef_chỉ có sau khi đã gọifit()predict()học thêm từ bảng nó nhậnscore()của model hồi quy cho điểm càng gần 1 càng tốt
Sau
from sklearn.linear_model import LinearRegression,LinearRegression().fit(pd.Series([50, 80, 65]), [3.1, 5.2, 4.0])báo lỗi gì?- Báo lỗi
ValueError - Báo lỗi
KeyError - Báo lỗi
TypeError
- Báo lỗi
Sau
from sklearn.linear_model import LinearRegression,LinearRegression().predict([[60]])báo lỗi gì?- Báo lỗi
TypeError - Báo lỗi
KeyError - Báo lỗi
NotFittedError
- Báo lỗi
Bài tập
Đọc hệ số của model theo tên cột
bang là một DataFrame; cac_cot là list tên các cột feature, cot_nhan là tên cột label. Viết thân hàm he_so_theo_cot(bang, cac_cot, cot_nhan): fit LinearRegression() với X là các cột cac_cot (giữ thứ tự đó) và y là cột cot_nhan, rồi ghép tên mỗi cột với hệ số model học được cho cột đó.
Hàm không sửa bang của nơi gọi.
Trả về: hệ số theo tên cột, khóa xếp đúng thứ tự cac_cot, một dict.
Ví dụ với bảng sáu căn ở dòng chấm đầu và cac_cot là ["so_phong_ngu", "dien_tich_m2"], kết quả có hai khóa, so_phong_ngu trước.
import pandas as pd
from sklearn.linear_model import LinearRegression
def he_so_theo_cot(bang, cac_cot, cot_nhan):
pass # Viết thân hàm thay cho dòng nàyTóm tắt
Scikit-learn cần
Xlà bảng hai chiều (nha[["cot"]]) vàylà một cột (nha["cot"]), cùng thứ tự dòng.fit(X, y)cho model học và trả về chính model; kết quả học nằm trong thuộc tính có dấu_nhưcoef_.predict()nhận bảng cùng cột như lúc fit, trả một mảng dự đoán.score()trả một điểm; chấm trên chính bảng đã học thì đó là điểm train.Gọi
predict()trướcfit()báoNotFittedError; đưa Series vào chỗXbáoValueError.Mọi estimator dùng chung
fit,predict,score, nên đổi model chỉ cần đổi một dòng.
Câu hỏi thường gặp
Sklearn là gì, có khác scikit-learn không?
Không khác. Scikit-learn là tên gói khi cài, sklearn là tên khi import. Bài cài scikit-learn giải thích vì sao hai tên khác nhau và cách kiểm phiên bản.
Estimator trong sklearn khác model ở đâu?
Trong scikit-learn hai chữ gần như cùng nghĩa: estimator là object có fit(). Model thường chỉ estimator đã học xong. Bộ chuẩn hóa như StandardScaler cũng là estimator dù không dự đoán gì.
Vì sao điểm score() trên dữ liệu đã học chưa đủ để tin model?
Model có thể khớp cả những chỗ ngẫu nhiên của bảng nó học, nên điểm trên chính bảng đó thường đẹp hơn thực tế. Bài train_test_split giữ riêng một phần bảng để chấm.
fit predict của sklearn có cần mạng hay GPU không?
Không. Mọi phép tính chạy trên CPU của máy bạn, hoặc ngay trong trình duyệt như các ô code của bài này. Model cho dữ liệu bảng vài nghìn dòng chỉ mất một phần nhỏ của giây.
Chủ đề
Dữ liệu của bài
- Tải xuống
gia_nha.csv
CSV · 155.53 KB
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.