Python机器学习模型入门：用Scikit-learn构建第一个预测模型

构建机器学习模型的核心逻辑，不是从零编写复杂的优化算法，而是理解“特征数据输入、模型参数拟合、未知样本推断、性能指标评估”这一工程闭环。在 Python 机器学习生态中，Scikit-learn（简称 sklearn）凭借其一致且优雅的面向对象接口，成为了业界最广泛使用的基准库。本文以真实的连续数值预测（房屋销售价格预测）为任务场景，完整演示从环境准备、数据清洗、数据集拆分，到模型训练、指标度量以及新样本推断的全流程。

1. 准备工作：环境与依赖包配置

在开始编写代码前，确保本地已安装 Python 基础运行环境以及三个核心科学计算库：numpy（高效多维数组运算）、pandas（表格数据结构处理）与 scikit-learn（机器学习算法与评估套件）。推荐在独立的虚拟环境中执行如下安装命令：

pip install numpy pandas scikit-learn

在 Python 脚本或交互式环境中导入相关模块，并输出当前库版本号以验证安装状态：

import sklearn
import pandas as pd
import numpy as np

print(f"Scikit-learn 版本: {sklearn.__version__}")
print(f"Pandas 版本: {pd.__version__}")

2. 核心工作流：五步标准化预测流水线

无论后续接触何种复杂的算法（如支持向量机、决策树随机森林或梯度提升树），Scikit-learn 中所有监督学习模型的构建都严格遵循相同的五步工程模式。将这套流水线固化在大脑中，是解决实际业务预测问题的第一步。

如图 1 所示，整套流程包含明确的阶段边界：

1. 准备数据：明确自变量特征矩阵 X 与因变量目标标签 y。
2. 切分数据集：使用 train_test_split 将数据划分为互相独立的训练集与测试集，严防信息穿越。
3. 实例化估计器：选择算法类并初始化配置超参数。
4. 模型拟合训练：在训练集上调用 model.fit()，驱动算法求解最优参数。
5. 推断与评估：在保留的测试集上调用 model.predict()，通过量化指标验证泛化推断能力。

3. 步骤一：理解与构建特征矩阵 X 与目标向量 y

在监督学习中，数据集必须结构化地拆分为两组核心对象：

• 特征矩阵 X（Feature Matrix）：必须是二维数据结构（形状为 (n_samples, n_features)），行表示独立样本观测值，列表示各个可量化的特征维度（如建筑面积、居室数、房龄、离商圈距离等）。
• 目标向量 y（Target Vector）：必须是一维数据结构（形状为 (n_samples,)），代表当前样本对应需要预测的真实值（如房屋成交总价，单位万元）。

为了保证教程完全可独立复现且无需依赖外部网络下载，我们使用 Pandas 构建一个具有真实物理意义的房屋数据集：

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split

# 设置随机数种子保证每次运行结果一致
np.random.seed(42)
n_samples = 200

# 模拟构建 4 个维度的特征数据
area = np.random.uniform(50, 180, n_samples)          # 建筑面积 (50 ~ 180 平方米)
rooms = np.random.randint(1, 5, n_samples)             # 卧室数量 (1 ~ 4 间)
age = np.random.uniform(1, 25, n_samples)              # 房龄 (1 ~ 25 年)
dist = np.random.uniform(0.5, 15, n_samples)           # 距离市中心距离 (0.5 ~ 15 公里)

# 依据真实业务规律构建目标价格（附带随机噪声模拟测量误差）
price = (
    area * 3.2 +        # 面积每平米增加 3.2 万元
    rooms * 8.0 -       # 居室加成
    age * 2.5 -         # 房龄折旧
    dist * 4.0 +        # 距离市中心越远价格越低
    50.0 +              # 基础价格常数
    np.random.normal(0, 15, n_samples) # 实际市场波动噪声
)

# 整合为规范的特征 DataFrame 与目标 Series
X = pd.DataFrame({
    'Area_sqm': area,
    'Bedrooms': rooms,
    'Age_years': age,
    'Dist_km': dist
})
y = pd.Series(price, name='Price_w')

print("特征矩阵 X 前 3 行样本：")
print(X.head(3))
print("
目标向量 y 前 3 个数值：")
print(y.head(3))

4. 步骤二：严密拆分训练集与测试集

初学者最常犯的错误之一是使用全部数据训练模型，再拿这批数据来测试模型。这会导致模型即使仅仅“死记硬背”住样本，也能展现虚假的极佳效果，但在面对真实业务新样本时彻底失效。这一现象在机器学习中称为过拟合（Overfitting）。

为解决这一问题，必须在拟合模型前使用 train_test_split 函数将全量样本切分为相互隔离的两部分（常见比例为 80% 训练集，20% 测试集）：

# 划分 80% 训练集、20% 测试集
X_train, X_test, y_train, y_test = train_test_split(
    X, y,
    test_size=0.20,      # 测试集样本占比 20%
    random_state=42      # 锁定随机种子，确保拆分结果可重复
)

print(f"训练集特征维度: {X_train.shape}, 训练集标签维度: {y_train.shape}")
print(f"测试集特征维度: {X_test.shape}, 测试集标签维度: {y_test.shape}")

5. 步骤三与四：模型实例化与拟合训练（fit）

由于房屋售价预测属于典型的连续数值推断，我们选用最经典的线性回归模型（LinearRegression）作为第一个预测器。线性回归基于普通最小二乘法（OLS），在多维空间中学习如下代数超平面：

y = w₁·Area + w₂·Bedrooms + w₃·Age + w₄·Dist + b

在 Scikit-learn 中，完成这个拟合过程只需两行代码：

from sklearn.linear_model import LinearRegression

# 1. 实例化估计器对象
model = LinearRegression(fit_intercept=True)

# 2. 调用 fit 方法执行模型训练（注意：仅传入训练集数据！）
model.fit(X_train, y_train)

# 3. 查看学习到的参数
print("截距项 (Intercept b):", round(model.intercept_, 4))
print("
各特征权重系数 (Weights W):")
for col, coef in zip(X.columns, model.coef_):
    print(f"  {col:<12}: {coef:>8.4f}")

参数语义验证：观察训练得出的系数，面积系数约为 +3.21（每增加 1 平方米，房价上涨约 3.21 万元），房龄系数为 -2.52（每老 1 年折旧 2.52 万元），距离系数为 -3.99（离中心越远价格越低）。算法在不了解业务背景的前提下，仅凭对 160 个训练样本的数值拟合，就精准反向还原出了底层的真实市场规律。

6. 步骤五：模型推断与多指标综合评估

训练完成后，我们必须使用之前从未参与过拟合的测试集（X_test）来检验模型的推断效果。调用 model.predict(X_test) 将输出模型对测试样本的预测结果数组 y_pred。

如何客观评价预测结果的好坏？不能仅看某几个样本猜得准不准，而是要计算全集上的统计学度量。Scikit-learn 在 sklearn.metrics 模块中提供了标准化的量化函数：

编写评估脚本，计算测试集上的各项指标数值：

from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score

# 在测试集上进行模型推断
y_pred = model.predict(X_test)

# 计算多维度评估指标
mae = mean_absolute_error(y_test, y_pred)
mse = mean_squared_error(y_test, y_pred)
rmse = np.sqrt(mse)
r2 = r2_score(y_test, y_pred)

print(f"平均绝对误差 MAE : {mae:.2f} 万元")
print(f"均方误差   MSE : {mse:.2f}")
print(f"均方根误差 RMSE: {rmse:.2f} 万元")
print(f"判定系数   R²  : {r2:.4f}")

指标解读：测试集上的 R² 达到 0.9635，说明该模型成功解释了测试集中超过 96% 的房价波动；平均绝对误差 MAE 为 12.18 万元，相对于 300~600 万元的总房价，平均预测偏差在合理工程可用区间内。

7. 实战推断：对全新未知样本进行预测

模型通过评估测试后，即可部署用于实际推断。假设业务线现在录入了两套全新的房屋挂牌信息，我们将其组织为与训练集特征列名一致的 DataFrame，并直接调用 predict()：

# 准备待预测的 2 套新房源数据
new_houses = pd.DataFrame({
    'Area_sqm': [125.0, 88.5],   # 面积分别为 125平米 与 88.5平米
    'Bedrooms': [3, 2],           # 3 室 与 2 室
    'Age_years': [5.0, 15.0],     # 5 年次新房 与 15 年老房
    'Dist_km': [2.5, 8.0]         # 距离市中心 2.5公里 与 8公里
})

# 执行推断
predicted_prices = model.predict(new_houses)

for idx, (row, pred) in enumerate(zip(new_houses.to_dict(orient='records'), predicted_prices)):
    print(f"房源 {idx + 1} 预估售价: {pred:.2f} 万元 (面积: {row['Area_sqm']}㎡, 居室: {row['Bedrooms']}, 房龄: {row['Age_years']}年, 距市中心: {row['Dist_km']}km)")

8. Scikit-learn API 规范总结与新手常见避坑

Scikit-learn 之所以能够成为机器学习领域的行业事实标准，其核心优势在于极具一致性的对象接口设计。深入理解这套抽象模型，能够让你在未来切换至任何新算法时无缝上手。

新手入门最常遇到的三大工程陷阱

1. 输入数组维度错误（Expected 2D array, got 1D array instead）： 这是新手推断单个样本时最容易触发的报错。predict() 永远期望接收一个二维结构 (n_samples, n_features)。即便只预测单套房屋，也不能直接传入一个普通的一维列表 [120, 3, 5, 2]，而必须通过 pd.DataFrame(...) 封装，或者使用 NumPy 的 np.array([120, 3, 5, 2]).reshape(1, -1) 将其升至二维矩阵。
2. 特征工程数据泄露（Data Leakage）： 若后续需要对特征进行标准化缩放（如 StandardScaler）或缺失值填充（SimpleImputer），切忌在全量数据切分前统一 fit_transform！正确的做法是：仅在 X_train 上调用 scaler.fit_transform(X_train)，学习训练集的均值与方差；对测试集 X_test 只调用 scaler.transform(X_test)。否则测试集的信息会提前泄露给模型，造成评估失真。
3. 训练集与测试集特征列不一致： 在真实业务中，如果新样本的列顺序被调换、缺失了某列、或者列名产生差异，模型计算的权重将直接错位。务必在推断阶段增加特征 Schema 校验，确保输入预测器的 DataFrame 具备与训练期完全一致的列结构。

9. 附录：单文件可直接运行的完整源码

为方便读者本地调试，下方提供合并后的单文件完整可执行代码。保存为 first_model.py 后直接执行即可：

# -*- coding: utf-8 -*-
"""
Scikit-learn 第一个预测模型端到端实战脚本
任务：房屋售价多元线性回归预测
"""
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score

# 1. 数据准备
np.random.seed(42)
n_samples = 200
area = np.random.uniform(50, 180, n_samples)
rooms = np.random.randint(1, 5, n_samples)
age = np.random.uniform(1, 25, n_samples)
dist = np.random.uniform(0.5, 15, n_samples)
price = area * 3.2 + rooms * 8.0 - age * 2.5 - dist * 4.0 + 50.0 + np.random.normal(0, 15, n_samples)

X = pd.DataFrame({'Area_sqm': area, 'Bedrooms': rooms, 'Age_years': age, 'Dist_km': dist})
y = pd.Series(price, name='Price_w')

# 2. 集合划分
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 3. 实例化估计器并训练
model = LinearRegression(fit_intercept=True)
model.fit(X_train, y_train)

# 4. 推断与量化评估
y_pred = model.predict(X_test)
print("=== 模型评估报告 ===")
print(f"MAE : {mean_absolute_error(y_test, y_pred):.2f} 万元")
print(f"RMSE: {np.sqrt(mean_squared_error(y_test, y_pred)):.2f} 万元")
print(f"R²  : {r2_score(y_test, y_pred):.4f}")

# 5. 新房源推断
sample_input = pd.DataFrame({'Area_sqm': [120.0], 'Bedrooms': [3], 'Age_years': [4.0], 'Dist_km': [3.0]})
pred_res = model.predict(sample_input)[0]
print(f"
新房源预测价格: {pred_res:.2f} 万元")