使用Python进行机器学习入门

本仓库包含了即将出版的书籍《使用Python进行机器学习入门》的代码，作者是Andreas Mueller和Sarah Guido。您可以在O'Reilly官网上找到关于本书的详细信息。

本书要求使用当前稳定版的scikit-learn，即0.20.0。不过，书中的大部分内容也可以在较早版本的scikit-learn上运行，只是需要调整从model_selection模块中导入的内容，主要包括cross_val_score、train_test_split和GridSearchCV等。

本仓库提供了用于编写本书的笔记本文件，以及用于创建图表和数据集的帮助函数库mglearn。

对封面感兴趣的朋友可以了解一下：封面上的生物是一种名为“hellbender”的两栖动物，详情请参阅维基百科。

所有数据集都包含在本仓库中，除了aclImdb数据集，该数据集可从Andrew Maas的页面下载。具体说明请参阅本书。

如果您遇到ImportError: No module named mglearn错误，可以尝试在终端中运行pip install mglearn，或在Jupyter Notebook中执行!pip install mglearn来安装mglearn库。

错误更正

请注意，本书初版在列出假设的导入语句时遗漏了以下一行：

from IPython.display import display

如果在使用过程中遇到与display相关的错误，请务必添加这一行。

此外，初版书中曾使用名为plot_group_kfold的函数，但由于scikit-learn内部进行了重命名，现已更名为plot_label_kfold。

环境搭建

要运行本书中的代码，您需要安装numpy、scipy、scikit-learn、matplotlib、pandas和pillow等包。部分决策树和神经网络结构的可视化还需要graphviz。而文本处理章节则需要额外安装nltk和spacy。

最简便的环境搭建方式是安装Anaconda。

使用conda安装软件包：

如果您已经配置好了Python环境，并且使用conda作为包管理器，可以通过以下命令一次性安装所有所需的包：

conda install numpy scipy scikit-learn matplotlib pandas pillow graphviz python-graphviz

对于文本处理章节，还需安装nltk和spacy：

conda install nltk spacy

使用pip安装软件包：

如果您已有Python环境并使用pip进行包管理，则需运行以下命令：

pip install numpy scipy scikit-learn matplotlib pandas pillow graphviz

此外，您还需要安装Graphviz的C语言库，这通常通过系统自带的包管理器完成。例如，在OS X上使用Homebrew时，可以运行brew install graphviz；而在Ubuntu或Debian系统上，则可执行apt-get install graphviz。在Windows上安装Graphviz可能会比较复杂，建议使用conda或Anaconda来完成。对于文本处理章节，还需安装nltk和spacy：

pip install nltk spacy

下载英文语言模型

在学习文本处理章节时，您需要为spacy下载英文语言模型，命令如下：

python -m spacy download en

提交勘误

如果您发现本书（电子版）存在任何错误，请通过O'Reilly官网提交勘误信息。您也可以在此处通过拉取请求提交代码修正，但为了便于统一维护，建议同时将这些修改提交至O'Reilly官网，因为本仓库并不包含“主笔记本”文件。

Introduction to Machine Learning with Python 快速上手指南

本指南旨在帮助开发者快速搭建《Introduction to Machine Learning with Python》一书所需的代码运行环境。该仓库包含了书中所有示例代码的 Jupyter Notebook 以及辅助绘图和数据生成的 mglearn 库。

环境准备

系统要求

• Python 版本：推荐 Python 3.6+
• 核心依赖：本书基于 scikit-learn 0.20.0 稳定版编写（兼容部分旧版本，但需注意模块导入调整）。
• 可选依赖：
  • 决策树与神经网络可视化：需安装 graphviz 及其系统级库。
  • 文本处理章节：需安装 nltk 和 spacy。

前置依赖说明

若需进行文本处理或复杂可视化，请确保系统已安装以下底层库：

• Graphviz C 库：
  • macOS (Homebrew): brew install graphviz
  • Ubuntu/Debian: apt-get install graphviz
  • Windows: 建议直接使用 Anaconda 避免手动配置困难。

安装步骤

推荐使用 Anaconda 进行环境管理，这是最简便的方式。

方案一：使用 Conda 安装（推荐）

如果你已安装 Anaconda 或 Miniconda，执行以下命令即可一次性安装所有核心包：

conda install numpy scipy scikit-learn matplotlib pandas pillow graphviz python-graphviz

若需学习文本处理章节，请额外安装：

conda install nltk spacy

国内加速提示：如遇下载速度慢，可配置清华或中科大镜像源： conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/

方案二：使用 Pip 安装

如果你已有 Python 环境且使用 pip：

1. 安装 Python 依赖包：

   pip install numpy scipy scikit-learn matplotlib pandas pillow graphviz
   

   (注：使用前请确保已通过系统包管理器安装了 Graphviz C 库)

2. 安装文本处理依赖：

   pip install nltk spacy
   

3. 下载 Spacy 英文语言模型（文本处理章节必需）：

   python -m spacy download en
   

4. 安装本书专用辅助库 mglearn：

   pip install mglearn
   

   或在 Jupyter Notebook 中直接运行：

   !pip install mglearn
   

基本使用

安装完成后，你可以克隆本仓库并运行书中的 Notebook 示例。

1. 获取代码

git clone https://github.com/amueller/introduction_to_ml_with_python.git
cd introduction_to_ml_with_python

2. 运行示例

启动 Jupyter Notebook 并打开任意章节文件（例如第一章）：

jupyter notebook

在浏览器中选择对应的 .ipynb 文件即可运行。

3. 最小化代码验证

新建一个 Python 文件或 Notebook，运行以下代码以验证环境是否配置成功：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_iris
from sklearn.neighbors import KNeighborsClassifier

# 加载数据
iris_dataset = load_iris()
X_train, X_test, y_train, y_test = train_test_split(
    iris_dataset['data'], iris_dataset['target'], random_state=0
)

# 训练模型
kn = KNeighborsClassifier(n_neighbors=1)
kn.fit(X_train, y_train)

# 预测
print("Test set score: {:.2f}".format(kn.score(X_test, y_test)))

# 尝试引入本书辅助库 (如果已安装)
try:
    import mglearn
    mglearn.plots.plot_knn_classification(n_neighbors=1)
    plt.show()
except ImportError:
    print("mglearn library not found. Run 'pip install mglearn' to enable visualizations.")

注意：如果在运行书中代码时遇到 display 相关错误，请在代码开头添加以下导入语句（针对首印版书籍的勘误）：

from IPython.display import display