垦荒学园
  • 中文

      • 第1章：环境搭建与安装

      在开始学习 Scikit-learn 之前，我们需要先搭建好开发环境。本章将详细介绍如何安装和配置 Scikit-learn 及其相关依赖。

      1.1 系统要求

      Scikit-learn 支持以下操作系统：

      • Windows 7 及以上版本
      • macOS 10.9 及以上版本
      • Linux（大多数发行版）

      Python版本要求：

      • Python 3.8 或更高版本
      • 推荐使用 Python 3.9 或 3.10

      1.2 安装方式

      方式一：使用 pip 安装（推荐）

      这是最简单的安装方式：

      # 安装最新版本的 scikit-learn
pip install scikit-learn

# 或者指定版本
pip install scikit-learn==1.3.0

      方式二：使用 conda 安装

      如果你使用 Anaconda 或 Miniconda：

      # 从 conda-forge 频道安装
conda install -c conda-forge scikit-learn

# 或者从默认频道安装
conda install scikit-learn

      方式三：从源码安装

      适合需要最新开发版本的用户：

      # 克隆仓库
git clone https://github.com/scikit-learn/scikit-learn.git
cd scikit-learn

# 安装依赖
pip install -e .

      1.3 核心依赖包

      Scikit-learn 依赖以下核心包，通常会自动安装：

      # 核心数值计算库
pip install numpy>=1.17.3

# 科学计算库
pip install scipy>=1.5.0

# 作业调度库
pip install joblib>=1.1.1

      1.4 推荐的额外包

      为了更好的学习体验，建议安装以下包：

      # 数据处理和分析
pip install pandas>=1.0.5

# 数据可视化
pip install matplotlib>=3.1.3
pip install seaborn>=0.11.0

# 交互式开发环境
pip install jupyter>=1.0.0
pip install ipython>=7.15.0

# 一次性安装所有推荐包
pip install pandas matplotlib seaborn jupyter ipython

      1.5 验证安装

      创建一个简单的Python脚本来验证安装是否成功：

      # test_installation.py
import sklearn
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

print("✅ 安装验证")
print(f"Scikit-learn 版本: {sklearn.__version__}")
print(f"NumPy 版本: {np.__version__}")
print(f"Pandas 版本: {pd.__version__}")

# 测试基本功能
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression

# 加载数据
iris = load_iris()
X, y = iris.data, iris.target

# 分割数据
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练模型
model = LogisticRegression()
model.fit(X_train, y_train)

# 预测
accuracy = model.score(X_test, y_test)
print(f"测试准确率: {accuracy:.2f}")
print("🎉 所有组件工作正常！")

      运行验证脚本：

      python test_installation.py

      预期输出类似：

      ✅ 安装验证
Scikit-learn 版本: 1.3.0
NumPy 版本: 1.24.3
Pandas 版本: 2.0.3
测试准确率: 1.00
🎉 所有组件工作正常！

      1.6 开发环境选择

      Jupyter Notebook（推荐初学者）

      Jupyter Notebook 非常适合学习和实验：

      # 启动 Jupyter Notebook
jupyter notebook

      VS Code

      Visual Studio Code 是优秀的代码编辑器：

      1. 安装 VS Code
      2. 安装 Python 扩展
      3. 安装 Jupyter 扩展

      PyCharm

      专业的 Python IDE：

      1. 下载 PyCharm Community Edition（免费）
      2. 配置 Python 解释器
      3. 安装必要插件

      1.7 虚拟环境管理

      强烈建议使用虚拟环境来管理项目依赖：

      使用 venv

      # 创建虚拟环境
python -m venv sklearn_env

# 激活虚拟环境
# Windows
sklearn_env\Scripts\activate
# macOS/Linux
source sklearn_env/bin/activate

# 安装包
pip install scikit-learn pandas matplotlib jupyter

# 退出虚拟环境
deactivate

      使用 conda

      # 创建环境
conda create -n sklearn_env python=3.10

# 激活环境
conda activate sklearn_env

# 安装包
conda install scikit-learn pandas matplotlib jupyter

# 退出环境
conda deactivate

      1.8 常见安装问题

      问题1：权限错误

      # 解决方案：使用用户安装
pip install --user scikit-learn

      问题2：网络问题

      # 使用国内镜像源
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple scikit-learn

      问题3：版本冲突

      # 升级 pip
pip install --upgrade pip

# 强制重新安装
pip install --force-reinstall scikit-learn

      问题4：编译错误

      # 安装预编译版本
pip install --only-binary=all scikit-learn

      1.9 性能优化建议

      使用优化的 BLAS 库

      # 安装 Intel MKL（推荐）
conda install mkl

# 或者使用 OpenBLAS
conda install openblas

      多线程配置

      # 设置线程数
import os
os.environ['OMP_NUM_THREADS'] = '4'
os.environ['MKL_NUM_THREADS'] = '4'

      1.10 下一步

      恭喜！你已经成功搭建了 Scikit-learn 开发环境。现在你可以：

      1. 继续学习快速入门指南
      2. 熟悉 Jupyter Notebook 的使用
      3. 浏览 Scikit-learn 官方文档

      练习题

      1. 在你的环境中运行验证脚本，确保所有组件正常工作
      2. 创建一个新的虚拟环境，并在其中安装 Scikit-learn
      3. 尝试在 Jupyter Notebook 中运行一个简单的机器学习示例

      小结

      本章我们学习了：

      • Scikit-learn 的系统要求和安装方法
      • 核心依赖包和推荐工具的安装
      • 开发环境的选择和配置
      • 虚拟环境的使用
      • 常见问题的解决方案

      掌握了这些基础知识后，我们就可以开始真正的机器学习之旅了！

      下一章预告：在快速入门指南中，我们将创建第一个机器学习模型，体验 Scikit-learn 的强大功能。