使用 Scikit-Learn 和 PyTorch 的动手机器学习

本项目的目标是教你 Python 中机器学习的基础知识。它包含了我新出版的 O'Reilly 图书《使用 Scikit-Learn 和 PyTorch 的动手机器学习（第 1 版）》第一版中的示例代码及习题解答：

注：如果你正在寻找本书 TensorFlow/Keras 版本的笔记本，请查看 ageron/handson-ml3。

快速入门

想在线玩一玩这些笔记本，而无需安装任何东西吗？

• （推荐）

⚠ Colab 提供的是临时环境：你所做的任何操作过一段时间后都会被删除，所以请务必下载你关心的数据。

只想快速浏览一些笔记本，而不执行任何代码吗？

• 

• GitHub 自带的笔记本查看器 github.com's notebook viewer 也可以使用，但效果并不理想：速度较慢，数学公式有时无法正确显示，而且大型笔记本经常无法打开。

想在自己的机器上安装这个项目吗？

请参阅安装说明。

常见问题解答

我应该使用哪个 Python 版本？

我推荐使用 Python 3.12。如果你按照上述安装说明操作，就会得到这个版本。Python 3.10 和 3.11 也应该可以正常工作，不过目前还有一些库尚未支持 Python 3.13。

当我调用 load_housing_data() 时出现错误

如果出现 HTTP 错误，请确保你运行的代码与笔记本中的完全一致（必要时可以复制粘贴）。如果问题仍然存在，请检查你的网络配置。如果是 SSL 错误，请参阅下一个问题。

我在 macOS 上遇到 SSL 错误

你可能需要安装 SSL 证书（请参阅此 StackOverflow 问题）。如果你是从官方网站下载的 Python，请在终端中运行 /Applications/Python\ 3.12/Install\ Certificates.command（将 3.12 替换为你安装的版本）。如果你使用 MacPorts 安装了 Python，则在终端中运行 sudo port install curl-ca-bundle。

我已经在本地安装了这个项目。如何将其更新到最新版本？

请参阅 INSTALL.md。

使用 Anaconda 时，如何将我的 Python 库更新到最新版本？

请参阅 INSTALL.md。

贡献者

我要感谢所有为该项目做出贡献的人，无论是提供有用的反馈、提交问题还是 Pull Request。

hands-on-mlp 快速上手指南

本项目是 O'Reilly 书籍《Hands-on Machine Learning with Scikit-Learn and PyTorch》的配套代码库，旨在通过 Scikit-Learn 和 PyTorch 教授 Python 机器学习基础。

环境准备

• 操作系统：Windows、macOS 或 Linux
• Python 版本：推荐 Python 3.12（3.10 和 3.11 也可用，暂不支持 3.13）
• 核心依赖：Scikit-Learn, PyTorch, Jupyter Notebook
• 网络要求：部分示例需下载数据集，请确保网络通畅（国内用户建议配置镜像源）

安装步骤

方案一：在线免安装（推荐）

无需本地配置环境，直接在浏览器中运行所有示例代码。

• 访问 Google Colab 项目主页： Open in Colab

  ⚠️ 注意：Colab 为临时环境，重启后数据会丢失，请及时下载重要结果。

方案二：本地安装

若需在本地运行，请按以下步骤操作：

1. 克隆项目代码

   git clone https://github.com/ageron/handson-mlp.git
   cd handson-mlp
   

2. 创建虚拟环境并安装依赖 建议使用 venv 或 conda。以下以 pip 为例（国内用户可添加 -i https://pypi.tuna.tsinghua.edu.cn/simple 加速下载）：

   # 创建虚拟环境
   python -m venv ml-env
   
   # 激活环境 (Windows)
   ml-env\Scripts\activate
   # 激活环境 (macOS/Linux)
   source ml-env/bin/activate
   
   # 安装依赖
   pip install -r requirements.txt
   

   (注：若根目录无 requirements.txt，请参考项目内的 INSTALL.md 获取具体包列表)

3. 启动 Jupyter Notebook

   jupyter notebook
   

   浏览器将自动打开，导航至 index.ipynb 开始学习。

基本使用

项目由一系列 Jupyter Notebook 组成，按章节顺序排列。

1. 浏览目录：在 Jupyter 界面中打开 index.ipynb，这里列出了所有章节的笔记本链接。
2. 运行示例：点击任意章节（如 01_the_machine_learning_landscape.ipynb），依次选中代码单元格并按 Shift + Enter 运行。
3. 加载数据：部分笔记包含自定义函数（如 load_housing_data()），直接运行对应单元格即可自动下载并加载数据集。

   # 示例：在对应的 Notebook 单元格中运行
   housing = load_housing_data()
   housing.head()
   

开始你的机器学习之旅吧！