scikit-learn Spickzettel

Installation & Importe

Installation: pip install scikit-learn

Installieren Sie scikit-learn und gängige Abhängigkeiten.

# Installieren Sie scikit-learn
pip install scikit-learn
# Installieren mit zusätzlichen Paketen
pip install scikit-learn pandas numpy matplotlib
# Auf die neueste Version aktualisieren
pip install scikit-learn --upgrade

Wesentliche Importe

Standardimporte für scikit-learn Workflows.

# Kernimporte
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import accuracy_score,
classification_report
# Gängige Algorithmen
from sklearn.linear_model import LinearRegression,
LogisticRegression
from sklearn.ensemble import RandomForestClassifier,
GradientBoostingRegressor
from sklearn.svm import SVC
from sklearn.tree import DecisionTreeClassifier

Version prüfen

Überprüfen Sie Ihre scikit-learn Installation.

import sklearn
print(sklearn.__version__)
# Build-Konfiguration anzeigen
sklearn.show_versions()

Datensatz laden

Laden Sie eingebaute Datensätze zum Üben.

from sklearn.datasets import load_iris, load_boston,
make_classification
# Beispiel-Datensätze laden
iris = load_iris()
X, y = iris.data, iris.target
# Synthetische Daten generieren
X_synth, y_synth = make_classification(n_samples=1000,
n_features=20, n_informative=10, random_state=42)

Datenvorverarbeitung

Train-Test-Split: train_test_split()

Daten in Trainings- und Testsets aufteilen.

# Grundlegende Aufteilung (80% Training, 20% Test)
X_train, X_test, y_train, y_test =
train_test_split(X, y, test_size=0.2,
random_state=42)
# Stratifizierte Aufteilung für Klassifikation
X_train, X_test, y_train, y_test =
train_test_split(X, y, test_size=0.2,
stratify=y, random_state=42)
# Mehrere Aufteilungen
X_train, X_temp, y_train, y_temp =
train_test_split(X, y, test_size=0.4,
random_state=42)
X_val, X_test, y_val, y_test =
train_test_split(X_temp, y_temp,
test_size=0.5, random_state=42)

Feature-Skalierung: StandardScaler() / MinMaxScaler()

Merkmale auf ähnliche Skalen normalisieren.

# Standardisierung (Mittelwert=0, Standardabweichung=1)
from sklearn.preprocessing import
StandardScaler, MinMaxScaler
scaler = StandardScaler()
X_scaled =
scaler.fit_transform(X_train)
X_test_scaled =
scaler.transform(X_test)
# Min-Max-Skalierung (Bereich 0-1)
minmax_scaler = MinMaxScaler()
X_minmax =
minmax_scaler.fit_transform(X_train)
X_test_minmax =
minmax_scaler.transform(X_test)

Kodierung: LabelEncoder() / OneHotEncoder()

Kategorische Variablen in numerische Form umwandeln.

# Label-Kodierung für die Zielvariable
from sklearn.preprocessing import
LabelEncoder, OneHotEncoder
label_encoder = LabelEncoder()
y_encoded =
label_encoder.fit_transform(y)
# One-Hot-Kodierung für kategorische
Features
from sklearn.preprocessing import
OneHotEncoder
encoder =
OneHotEncoder(sparse=False,
drop='first')
X_encoded =
encoder.fit_transform(X_categorical)
# Feature-Namen abrufen
feature_names =
encoder.get_feature_names_out()

Überwachtes Lernen - Klassifikation

Logistische Regression: LogisticRegression()

Lineares Modell für binäre und multiklassige Klassifikation.

# Grundlegende logistische Regression
from sklearn.linear_model import LogisticRegression
log_reg = LogisticRegression(random_state=42)
log_reg.fit(X_train, y_train)
y_pred = log_reg.predict(X_test)
y_proba = log_reg.predict_proba(X_test)
# Mit Regularisierung
log_reg_l2 = LogisticRegression(C=0.1, penalty='l2')
log_reg_l1 = LogisticRegression(C=0.1, penalty='l1',
solver='liblinear')

Entscheidungsbaum: DecisionTreeClassifier()

Baumbasiertes Modell für Klassifikationsaufgaben.

# Entscheidungsbaum-Klassifikator
from sklearn.tree import DecisionTreeClassifier
tree_clf = DecisionTreeClassifier(max_depth=5,
random_state=42)
tree_clf.fit(X_train, y_train)
y_pred = tree_clf.predict(X_test)
# Feature-Wichtigkeit
importances = tree_clf.feature_importances_
# Baum visualisieren
from sklearn.tree import plot_tree
plot_tree(tree_clf, max_depth=3, filled=True)

Random Forest: RandomForestClassifier()

Ensemble-Methode, die mehrere Entscheidungsbäume kombiniert.

# Random Forest Klassifikator
from sklearn.ensemble import RandomForestClassifier
rf_clf = RandomForestClassifier(n_estimators=100,
random_state=42)
rf_clf.fit(X_train, y_train)
y_pred = rf_clf.predict(X_test)
# Hyperparameter-Tuning
rf_clf = RandomForestClassifier(
    n_estimators=200,
    max_depth=10,
    min_samples_split=5,
    min_samples_leaf=2,
    random_state=42
)

Support Vector Machine: SVC()

Leistungsstarker Klassifikator, der Kernel-Methoden verwendet.

# SVM Klassifikator
from sklearn.svm import SVC
svm_clf = SVC(kernel='rbf', C=1.0, gamma='scale',
random_state=42)
svm_clf.fit(X_train, y_train)
y_pred = svm_clf.predict(X_test)
# Verschiedene Kernel
svm_linear = SVC(kernel='linear')
svm_poly = SVC(kernel='poly', degree=3)
svm_rbf = SVC(kernel='rbf', gamma=0.1)

Überwachtes Lernen - Regression

Lineare Regression: LinearRegression()

Grundlegendes lineares Modell für kontinuierliche Zielvariablen.

# Einfache lineare Regression
from sklearn.linear_model import LinearRegression
lin_reg = LinearRegression()
lin_reg.fit(X_train, y_train)
y_pred = lin_reg.predict(X_test)
# Koeffizienten und Achsenabschnitt abrufen
coefficients = lin_reg.coef_
intercept = lin_reg.intercept_
print(f"R²-Wert: {lin_reg.score(X_test, y_test)}")

Ridge Regression: Ridge()

Lineare Regression mit L2-Regularisierung.

# Ridge Regression (L2 Regularisierung)
from sklearn.linear_model import Ridge
ridge_reg = Ridge(alpha=1.0)
ridge_reg.fit(X_train, y_train)
y_pred = ridge_reg.predict(X_test)
# Kreuzvalidierung zur Auswahl von Alpha
from sklearn.linear_model import RidgeCV
ridge_cv = RidgeCV(alphas=[0.1, 1.0, 10.0])
ridge_cv.fit(X_train, y_train)

Lasso Regression: Lasso()

Lineare Regression mit L1-Regularisierung zur Feature-Auswahl.

# Lasso Regression (L1 Regularisierung)
from sklearn.linear_model import Lasso
lasso_reg = Lasso(alpha=0.1)
lasso_reg.fit(X_train, y_train)
y_pred = lasso_reg.predict(X_test)
# Feature-Auswahl (nicht-null Koeffizienten)
selected_features = X.columns[lasso_reg.coef_ != 0]
print(f"Ausgewählte Features: {len(selected_features)}")

Random Forest Regression: RandomForestRegressor()

Ensemble-Methode für Regressionsaufgaben.

# Random Forest Regressor
from sklearn.ensemble import RandomForestRegressor
rf_reg = RandomForestRegressor(n_estimators=100,
random_state=42)
rf_reg.fit(X_train, y_train)
y_pred = rf_reg.predict(X_test)
# Feature-Wichtigkeit für Regression
feature_importance = rf_reg.feature_importances_

Modellbewertung

Klassifikationsmetriken

Bewertung der Leistung von Klassifikationsmodellen.

# Grundlegende Genauigkeit
from sklearn.metrics import accuracy_score,
precision_score, recall_score, f1_score
accuracy = accuracy_score(y_test, y_pred)
precision = precision_score(y_test, y_pred,
average='weighted')
recall = recall_score(y_test, y_pred, average='weighted')
f1 = f1_score(y_test, y_pred, average='weighted')
# Detaillierter Klassifikationsbericht
from sklearn.metrics import classification_report
print(classification_report(y_test, y_pred))
# Konfusionsmatrix
from sklearn.metrics import confusion_matrix
cm = confusion_matrix(y_test, y_pred)

ROC-Kurve & AUC

ROC-Kurve plotten und Fläche unter der Kurve berechnen.

# ROC-Kurve für binäre Klassifikation
from sklearn.metrics import roc_curve, auc
fpr, tpr, thresholds = roc_curve(y_test, y_proba[:, 1])
roc_auc = auc(fpr, tpr)
# ROC-Kurve plotten
import matplotlib.pyplot as plt
plt.figure(figsize=(8, 6))
plt.plot(fpr, tpr, label=f'ROC Kurve (AUC = {roc_auc:.2f})')
plt.plot([0, 1], [0, 1], 'k--')
plt.xlabel('Falsche Positivrate')
plt.ylabel('Wahre Positivrate')
plt.legend()

Regressionsmetriken

Bewertung der Leistung von Regressionsmodellen.

# Regressionsmetriken
from sklearn.metrics import mean_squared_error,
mean_absolute_error, r2_score
mse = mean_squared_error(y_test, y_pred)
rmse = np.sqrt(mse)
mae = mean_absolute_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)
print(f"MSE: {mse:.4f}")
print(f"RMSE: {rmse:.4f}")
print(f"MAE: {mae:.4f}")
print(f"R²: {r2:.4f}")

Kreuzvalidierung

Robuste Modellbewertung mittels Kreuzvalidierung.

# K-Fold Kreuzvalidierung
from sklearn.model_selection import cross_val_score,
StratifiedKFold
cv_scores = cross_val_score(model, X, y, cv=5,
scoring='accuracy')
print(f"KV Genauigkeit: {cv_scores.mean():.4f} (+/-
{cv_scores.std() * 2:.4f})")
# Stratified K-Fold für unausgewogene Datensätze
skf = StratifiedKFold(n_splits=5, shuffle=True,
random_state=42)
cv_scores = cross_val_score(model, X, y, cv=skf,
scoring='f1_weighted')

Unüberwachtes Lernen

K-Means-Clustering: KMeans()

Daten in k Cluster partitionieren.

# K-Means Clustering
from sklearn.cluster import KMeans
kmeans = KMeans(n_clusters=3, random_state=42)
cluster_labels = kmeans.fit_predict(X)
centroids = kmeans.cluster_centers_
# Bestimmung der optimalen Clusteranzahl (Ellbogen-Methode)
inertias = []
K_range = range(1, 11)
for k in K_range:
    kmeans = KMeans(n_clusters=k, random_state=42)
    kmeans.fit(X)
    inertias.append(kmeans.inertia_)

Hauptkomponentenanalyse: PCA()

Technik zur Dimensionsreduktion.

# PCA zur Dimensionsreduktion
from sklearn.decomposition import PCA
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X)
explained_variance = pca.explained_variance_ratio_
# Optimale Anzahl von Komponenten finden
pca_full = PCA()
pca_full.fit(X)
cumsum =
np.cumsum(pca_full.explained_variance_ratio_)
# Komponenten für 95% Varianz finden
n_components = np.argmax(cumsum >= 0.95) + 1

DBSCAN-Clustering: DBSCAN()

Dichtebasiertes Clustering-Verfahren.

# DBSCAN Clustering
from sklearn.cluster import DBSCAN
dbscan = DBSCAN(eps=0.5, min_samples=5)
cluster_labels = dbscan.fit_predict(X)
n_clusters = len(set(cluster_labels)) - (1 if -1 in
cluster_labels else 0)
n_noise = list(cluster_labels).count(-1)
print(f"Anzahl der Cluster: {n_clusters}")
print(f"Anzahl der Rauschpunkte: {n_noise}")

Hierarchisches Clustering: AgglomerativeClustering()

Hierarchie von Clustern aufbauen.

# Agglomeratives Clustering
from sklearn.cluster import AgglomerativeClustering
agg_clustering = AgglomerativeClustering(n_clusters=3,
linkage='ward')
cluster_labels = agg_clustering.fit_predict(X)
# Dendrogramm-Visualisierung
from scipy.cluster.hierarchy import dendrogram, linkage
linked = linkage(X, 'ward')
plt.figure(figsize=(12, 8))
dendrogram(linked)

Modellauswahl & Hyperparameter-Tuning

Grid Search: GridSearchCV()

Umfassende Suche im Parameter-Grid.

# Grid Search für Hyperparameter-Tuning
from sklearn.model_selection import GridSearchCV
param_grid = {
    'n_estimators': [100, 200, 300],
    'max_depth': [3, 5, 7, None],
    'min_samples_split': [2, 5, 10]
}
grid_search = GridSearchCV(
    RandomForestClassifier(random_state=42),
    param_grid, cv=5, scoring='accuracy', n_jobs=-1
)
grid_search.fit(X_train, y_train)
best_model = grid_search.best_estimator_
best_params = grid_search.best_params_

Random Search: RandomizedSearchCV()

Zufällige Stichproben aus Parameterverteilungen.

# Random Search (schneller für große Parameterbereiche)
from sklearn.model_selection import
RandomizedSearchCV
from scipy.stats import randint
param_dist = {
    'n_estimators': randint(100, 500),
    'max_depth': [3, 5, 7, None],
    'min_samples_split': randint(2, 11)
}
random_search = RandomizedSearchCV(
    RandomForestClassifier(random_state=42),
    param_dist, n_iter=50, cv=5, scoring='accuracy',
n_jobs=-1, random_state=42
)
random_search.fit(X_train, y_train)

Pipeline: Pipeline()

Verkettung von Vorverarbeitungs- und Modellierungsschritten.

# Pipeline für Vorverarbeitung und Modellierung erstellen
from sklearn.pipeline import Pipeline
pipeline = Pipeline([
    ('scaler', StandardScaler()),
    ('classifier', RandomForestClassifier(random_state=42))
])
pipeline.fit(X_train, y_train)
y_pred = pipeline.predict(X_test)
# Pipeline mit Grid Search
param_grid = {
    'classifier__n_estimators': [100, 200],
    'classifier__max_depth': [3, 5, None]
}
grid_search = GridSearchCV(pipeline, param_grid, cv=5)
grid_search.fit(X_train, y_train)

Feature-Auswahl: SelectKBest() / RFE()

Auswahl der informativsten Features.

# Univariate Feature-Auswahl
from sklearn.feature_selection import SelectKBest,
f_classif
selector = SelectKBest(score_func=f_classif, k=10)
X_selected = selector.fit_transform(X_train, y_train)
selected_features = X.columns[selector.get_support()]
# Rekursive Feature Elimination
from sklearn.feature_selection import RFE
rfe = RFE(RandomForestClassifier(random_state=42),
n_features_to_select=10)
X_rfe = rfe.fit_transform(X_train, y_train)

Fortgeschrittene Techniken

Ensemble-Methoden: VotingClassifier() / BaggingClassifier()

Kombinieren mehrerer Modelle für bessere Leistung.

# Voting Classifier (Ensemble verschiedener Algorithmen)
from sklearn.ensemble import VotingClassifier
voting_clf = VotingClassifier(
    estimators=[
        ('lr', LogisticRegression(random_state=42)),
        ('rf', RandomForestClassifier(random_state=42)),
        ('svm', SVC(probability=True, random_state=42))
    ], voting='soft'
)
voting_clf.fit(X_train, y_train)
y_pred = voting_clf.predict(X_test)
# Bagging Classifier
from sklearn.ensemble import BaggingClassifier
bagging_clf = BaggingClassifier(DecisionTreeClassifier(),
n_estimators=100, random_state=42)
bagging_clf.fit(X_train, y_train)

Gradient Boosting: GradientBoostingClassifier()

Sequentielle Ensemble-Methode mit Fehlerkorrektur.

# Gradient Boosting Klassifikator
from sklearn.ensemble import
GradientBoostingClassifier
gb_clf = GradientBoostingClassifier(n_estimators=100,
learning_rate=0.1, random_state=42)
gb_clf.fit(X_train, y_train)
y_pred = gb_clf.predict(X_test)
# Feature-Wichtigkeit
importances = gb_clf.feature_importances_
# Lernkurve
from sklearn.model_selection import learning_curve
train_sizes, train_scores, val_scores =
learning_curve(gb_clf, X, y, cv=5)

Umgang mit unausgewogenen Daten: SMOTE() / Klassen-Gewichte

Behandlung von Klassenungleichgewichten in Datensätzen.

# Installieren Sie imbalanced-learn: pip install imbalanced-learn
from imblearn.over_sampling import SMOTE
smote = SMOTE(random_state=42)
X_resampled, y_resampled = smote.fit_resample(X_train,
y_train)
# Verwendung von Klassen-Gewichten
rf_balanced =
RandomForestClassifier(class_weight='balanced',
random_state=42)
rf_balanced.fit(X_train, y_train)
# Manuelle Klassen-Gewichte
from sklearn.utils.class_weight import
compute_class_weight
class_weights = compute_class_weight('balanced',
classes=np.unique(y_train), y=y_train)
weight_dict = dict(zip(np.unique(y_train), class_weights))

Modellpersistenz: joblib

Trainierte Modelle speichern und laden.

# Modell speichern
import joblib
joblib.dump(model, 'trained_model.pkl')
# Modell laden
loaded_model = joblib.load('trained_model.pkl')
y_pred = loaded_model.predict(X_test)
# Gesamte Pipeline speichern
joblib.dump(pipeline, 'preprocessing_pipeline.pkl')
loaded_pipeline =
joblib.load('preprocessing_pipeline.pkl')
# Alternative mit pickle
import pickle
with open('model.pkl', 'wb') as f:
    pickle.dump(model, f)
with open('model.pkl', 'rb') as f:
    loaded_model = pickle.load(f)

Leistung & Debugging

Lernkurven: learning_curve()

Diagnose von Überanpassung und Unteranpassung.

# Lernkurven plotten
from sklearn.model_selection import learning_curve
train_sizes, train_scores, val_scores = learning_curve(
    model, X, y, cv=5, train_sizes=np.linspace(0.1, 1.0, 10)
)
plt.figure(figsize=(10, 6))
plt.plot(train_sizes, np.mean(train_scores, axis=1), 'o-',
label='Trainings-Score')
plt.plot(train_sizes, np.mean(val_scores, axis=1), 'o-',
label='Validierungs-Score')
plt.xlabel('Größe des Trainingsdatensatzes')
plt.ylabel('Score')
plt.legend()

Validierungskurven: validation_curve()

Analyse des Einflusses von Hyperparametern.

# Validierungskurve für einen einzelnen Hyperparameter
from sklearn.model_selection import validation_curve
param_range = [10, 50, 100, 200, 500]
train_scores, val_scores = validation_curve(
    RandomForestClassifier(random_state=42), X, y,
    param_name='n_estimators',
param_range=param_range, cv=5
)
plt.figure(figsize=(10, 6))
plt.plot(param_range, np.mean(train_scores, axis=1), 'o-',
label='Training')
plt.plot(param_range, np.mean(val_scores, axis=1), 'o-',
label='Validierung')
plt.xlabel('Anzahl der Schätzer')
plt.ylabel('Score')

Visualisierung der Feature-Wichtigkeit

Verstehen, welche Features die Modellvorhersagen bestimmen.

# Feature-Wichtigkeit plotten
importances = model.feature_importances_
indices = np.argsort(importances)[::-1]
plt.figure(figsize=(12, 8))
plt.title("Feature-Wichtigkeit")
plt.bar(range(X.shape[1]), importances[indices])
plt.xticks(range(X.shape[1]), [X.columns[i] for i in indices],
rotation=90)
# SHAP-Werte für Modellinterpretierbarkeit
# pip install shap
import shap
explainer = shap.TreeExplainer(model)
shap_values = explainer.shap_values(X_test)
shap.summary_plot(shap_values, X_test)

Modellvergleich

Mehrere Algorithmen systematisch vergleichen.

# Mehrere Modelle vergleichen
from sklearn.model_selection import cross_val_score
models = {
    'Logistische Regression':
LogisticRegression(random_state=42),
    'Random Forest':
RandomForestClassifier(random_state=42),
    'SVM': SVC(random_state=42),
    'Gradient Boosting':
GradientBoostingClassifier(random_state=42)
}
results = {}
for name, model in models.items():
    scores = cross_val_score(model, X_train, y_train, cv=5,
scoring='accuracy')
    results[name] = scores.mean()
    print(f"{name}: {scores.mean():.4f} (+/- {scores.std() *
2:.4f})")

Konfiguration & Best Practices

Random State & Reproduzierbarkeit

Konsistente Ergebnisse über Durchläufe hinweg sicherstellen.

# Setzen des Random State für
Reproduzierbarkeit
import numpy as np
np.random.seed(42)
# Setzen des random_state in allen
sklearn Komponenten
model =
RandomForestClassifier(random
_state=42)
train_test_split(X, y,
random_state=42)
# Für Kreuzvalidierung
cv = StratifiedKFold(n_splits=5,
shuffle=True, random_state=42)

Speicher & Leistung

Optimierung für große Datensätze und rechnerische Effizienz.

# n_jobs=-1 für parallele
Verarbeitung verwenden
model =
RandomForestClassifier(n_jobs=
-1)
grid_search =
GridSearchCV(model,
param_grid, n_jobs=-1)
# Für große Datensätze, partial_fit verwenden, wenn verfügbar
from sklearn.linear_model
import SGDClassifier
sgd = SGDClassifier()
# Daten in Blöcken verarbeiten
for chunk in chunks:
    sgd.partial_fit(chunk_X,
chunk_y)

Warnungen & Debugging

Umgang mit häufigen Problemen und Debugging von Modellen.

# Warnungen unterdrücken (vorsichtig verwenden)
import warnings
warnings.filterwarnings('ignore')
# set_config von sklearn für besseres Debugging aktivieren
from sklearn import set_config
set_config(display='diagram')  #
Erweiterte Anzeige in Jupyter
# Auf Datenleckage prüfen
from sklearn.model_selection
import cross_val_score
# Sicherstellen, dass die Vorverarbeitung innerhalb der CV-Schleife erfolgt

Relevante Links

• Python Spickzettel
• Pandas Spickzettel
• NumPy Spickzettel
• Matplotlib Spickzettel
• Data Science Spickzettel
• Datenbank Spickzettel