Scikit-Learn（sklearn） 是 Python 语言中最常用的 机器学习库 之一，主要用于 数据预处理、特征工程、模型训练、评估和超参数调优 等任务。它是基于 NumPy、SciPy 和 matplotlib 构建的，并提供了一系列简单易用的 API，支持 监督学习 和 无监督学习 的各种算法。

1. Sklearn 的主要特点

• 易用性：API 设计简洁，方便快速上手。
• 丰富的算法：支持分类、回归、聚类、降维等多种机器学习任务。
• 高效实现：许多算法内部使用 Cython 进行优化，计算速度快。
• 与 Python 生态兼容：可以与 NumPy、Pandas、Matplotlib 等无缝集成。
• 良好的文档：官方文档详细，示例丰富，学习成本低。

2. Sklearn 的核心模块

3. Sklearn 示例代码

(1) 训练一个简单的逻辑回归模型

from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.datasets import load_iris
from sklearn.metrics import accuracy_score

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

# 2. 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 3. 数据预处理（标准化）
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

# 4. 训练逻辑回归模型
model = LogisticRegression()
model.fit(X_train, y_train)

# 5. 预测
y_pred = model.predict(X_test)

# 6. 评估
accuracy = accuracy_score(y_test, y_pred)
print(f"模型准确率: {accuracy:.2f}")

4. Sklearn 适用场景

• 小型、中型数据集（百万级样本）
• 传统机器学习任务（分类、回归、聚类、降维等）
• 模型快速实验（搭建基线模型、超参数调优）
• 与深度学习结合（如特征工程、数据预处理）

如果你的数据规模较大（如上亿条样本），可以考虑使用 XGBoost、LightGBM 或深度学习框架（如 TensorFlow、PyTorch）。