# Scikit-Learning

**Repository Path**: cmx1998/Scikit-Learning

## Basic Information

- **Project Name**: Scikit-Learning
- **Description**: From zero to learning Scikit-learn.
- **Primary Language**: Python
- **License**: GPL-3.0
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 1
- **Forks**: 0
- **Created**: 2025-08-19
- **Last Updated**: 2025-12-08

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# Scikit-Learning
From zero to learning Scikit-learn.

## 项目简介
本项目包含多个Scikit-learn机器学习实验，涵盖回归、分类、聚类等常见任务。每个实验都提供了完整的代码实现和可视化结果。

## 项目结构
```
Scikit-Learning/
├── README.md                 # 项目说明文件
├── requirements.txt          # 项目依赖文件
├── codes/                    # 代码文件目录
│   ├── Scikit-learn-1.py     # 线性回归实验
│   ├── Scikit-learn-2.py     # 随机森林分类实验
│   ├── Scikit-learn-3.py     # K均值聚类实验
│   ├── Scikit-learn-4.py     # 其他实验
│   ├── Scikit-learn-5.py     # 其他实验
│   └── ScikitLearnBase.py    # 实验基类
├── datasets/                 # 数据集目录
│   └── Mall_Customers.csv    # 顾客数据集
└── img/                      # 图片输出目录
```

## 环境配置

### 1. 创建虚拟环境
```bash
# 创建虚拟环境
python -m venv .venv

# 激活虚拟环境
# 在 macOS/Linux 上:
source .venv/bin/activate
# 在 Windows 上:
.venv\Scripts\activate
```

### 2. 安装依赖
```bash
# 使用清华源安装依赖（推荐，速度更快）
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

# 或者直接安装
pip install -r requirements.txt
```

或者逐个安装依赖：
```bash
pip install scikit-learn numpy pandas matplotlib seaborn -i https://pypi.tuna.tsinghua.edu.cn/simple
```

## 运行实验

### 1. 单个实验运行
```bash
# 激活虚拟环境后运行单个实验
python codes/Scikit-learn-1.py
python codes/Scikit-learn-2.py
python codes/Scikit-learn-3.py
```

### 2. 实验内容说明
- **Scikit-learn-1.py**: 线性回归预测糖尿病进展（回归问题）
- **Scikit-learn-2.py**: 随机森林分类鸢尾花（分类问题）
- **Scikit-learn-3.py**: K均值聚类进行顾客分群（聚类问题）
- **Scikit-learn-4.py**: 其他机器学习实验
- **Scikit-learn-5.py**: 其他机器学习实验

## 依赖说明
本项目依赖以下Python库：
- scikit-learn: 机器学习算法库
- numpy: 数值计算库
- pandas: 数据处理库
- matplotlib: 数据可视化库
- seaborn: 统计图表库

## 注意事项
1. 请确保在虚拟环境中运行代码，避免依赖冲突
2. 部分实验需要特定的数据集，数据集文件已包含在datasets目录中
3. 运行结果的图片将保存在img目录中
4. 如遇到OpenMP相关错误，可设置环境变量：
   ```bash
   export OMP_NUM_THREADS=1
   ```
5. 项目已优化中文字体显示，支持macOS、Windows等不同操作系统

## 开始使用
1. 克隆项目到本地
2. 创建并激活虚拟环境
3. 安装依赖
4. 运行实验代码