scikit-learn Cheatsheet

Instalação e Importações

Instalação: pip install scikit-learn

Instale scikit-learn e dependências comuns.

# Instalar scikit-learn
pip install scikit-learn
# Instalar com pacotes adicionais
pip install scikit-learn pandas numpy matplotlib
# Atualizar para a versão mais recente
pip install scikit-learn --upgrade

Importações Essenciais

Importações padrão para fluxos de trabalho do scikit-learn.

# Importações principais
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
# Algoritmos comuns
from sklearn.linear_model import LinearRegression,
LogisticRegression
from sklearn.ensemble import RandomForestClassifier,
GradientBoostingRegressor
from sklearn.svm import SVC
from sklearn.tree import DecisionTreeClassifier

Verificar Versão

Verifique sua instalação do scikit-learn.

import sklearn
print(sklearn.__version__)
# Mostrar configuração de compilação
sklearn.show_versions()

Carregamento de Conjunto de Dados

Carregue conjuntos de dados internos para prática.

from sklearn.datasets import load_iris, load_boston,
make_classification
# Carregar conjuntos de dados de amostra
iris = load_iris()
X, y = iris.data, iris.target
# Gerar dados sintéticos
X_synth, y_synth = make_classification(n_samples=1000,
n_features=20, n_informative=10, random_state=42)

Pré-processamento de Dados

Divisão Treino-Teste: train_test_split()

Divida os dados em conjuntos de treinamento e teste.

# Divisão básica (80% treino, 20% teste)
X_train, X_test, y_train, y_test =
train_test_split(X, y, test_size=0.2,
random_state=42)
# Divisão estratificada para classificação
X_train, X_test, y_train, y_test =
train_test_split(X, y, test_size=0.2,
stratify=y, random_state=42)
# Múltiplas divisões
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)

Escalonamento de Recursos: StandardScaler() / MinMaxScaler()

Normalizar recursos para escalas semelhantes.

# Padronização (média=0, dp=1)
from sklearn.preprocessing import
StandardScaler, MinMaxScaler
scaler = StandardScaler()
X_scaled =
scaler.fit_transform(X_train)
X_test_scaled =
scaler.transform(X_test)
# Escalonamento Min-Max (intervalo 0-1)
minmax_scaler = MinMaxScaler()
X_minmax =
minmax_scaler.fit_transform(X_train)
X_test_minmax =
minmax_scaler.transform(X_test)

Codificação: LabelEncoder() / OneHotEncoder()

Converter variáveis categóricas em formato numérico.

# Codificação de rótulos para a variável alvo
from sklearn.preprocessing import
LabelEncoder, OneHotEncoder
label_encoder = LabelEncoder()
y_encoded =
label_encoder.fit_transform(y)
# Codificação one-hot para recursos categóricos
from sklearn.preprocessing import
OneHotEncoder
encoder =
OneHotEncoder(sparse=False,
drop='first')
X_encoded =
encoder.fit_transform(X_categorical)
# Obter nomes dos recursos
feature_names =
encoder.get_feature_names_out()

Aprendizado Supervisionado - Classificação

Regressão Logística: LogisticRegression()

Modelo linear para classificação binária e multiclasse.

# Regressão logística básica
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)
# Com regularização
log_reg_l2 = LogisticRegression(C=0.1, penalty='l2')
log_reg_l1 = LogisticRegression(C=0.1, penalty='l1',
solver='liblinear')

Árvore de Decisão: DecisionTreeClassifier()

Modelo baseado em árvore para tarefas de classificação.

# Classificador de árvore de decisão
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)
# Importância do recurso
importances = tree_clf.feature_importances_
# Visualizar árvore
from sklearn.tree import plot_tree
plot_tree(tree_clf, max_depth=3, filled=True)

Floresta Aleatória: RandomForestClassifier()

Método de conjunto que combina múltiplas árvores de decisão.

# Classificador de floresta aleatória
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)
# Ajuste de hiperparâmetros
rf_clf = RandomForestClassifier(
    n_estimators=200,
    max_depth=10,
    min_samples_split=5,
    min_samples_leaf=2,
    random_state=42
)

Máquina de Vetores de Suporte: SVC()

Classificador poderoso que usa métodos de kernel.

# Classificador SVM
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)
# Diferentes kernels
svm_linear = SVC(kernel='linear')
svm_poly = SVC(kernel='poly', degree=3)
svm_rbf = SVC(kernel='rbf', gamma=0.1)

Aprendizado Supervisionado - Regressão

Regressão Linear: LinearRegression()

Modelo linear básico para variáveis alvo contínuas.

# Regressão linear simples
from sklearn.linear_model import LinearRegression
lin_reg = LinearRegression()
lin_reg.fit(X_train, y_train)
y_pred = lin_reg.predict(X_test)
# Obter coeficientes e intercepto
coefficients = lin_reg.coef_
intercept = lin_reg.intercept_
print(f"Pontuação R²: {lin_reg.score(X_test, y_test)}")

Regressão Ridge: Ridge()

Regressão linear com regularização L2.

# Regressão Ridge (regularização L2)
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)
# Validação cruzada para seleção de alpha
from sklearn.linear_model import RidgeCV
ridge_cv = RidgeCV(alphas=[0.1, 1.0, 10.0])
ridge_cv.fit(X_train, y_train)

Regressão Lasso: Lasso()

Regressão linear com regularização L1 para seleção de recursos.

# Regressão Lasso (regularização L1)
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)
# Seleção de recursos (coeficientes diferentes de zero)
selected_features = X.columns[lasso_reg.coef_ != 0]
print(f"Recursos selecionados: {len(selected_features)}")

Regressão Floresta Aleatória: RandomForestRegressor()

Método de conjunto para tarefas de regressão.

# Regressor de floresta aleatória
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)
# Importância do recurso para regressão
feature_importance = rf_reg.feature_importances_

Avaliação de Modelo

Métricas de Classificação

Avalie o desempenho do modelo de classificação.

# Precisão básica
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')
# Relatório de classificação detalhado
from sklearn.metrics import classification_report
print(classification_report(y_test, y_pred))
# Matriz de confusão
from sklearn.metrics import confusion_matrix
cm = confusion_matrix(y_test, y_pred)

Curva ROC e AUC

Plote a curva ROC e calcule a Área Sob a Curva.

# Curva ROC para classificação binária
from sklearn.metrics import roc_curve, auc
fpr, tpr, thresholds = roc_curve(y_test, y_proba[:, 1])
roc_auc = auc(fpr, tpr)
# Plotar curva ROC
import matplotlib.pyplot as plt
plt.figure(figsize=(8, 6))
plt.plot(fpr, tpr, label=f'Curva ROC (AUC = {roc_auc:.2f})')
plt.plot([0, 1], [0, 1], 'k--')
plt.xlabel('Taxa de Falso Positivo')
plt.ylabel('Taxa de Verdadeiro Positivo')
plt.legend()

Métricas de Regressão

Avalie o desempenho do modelo de regressão.

# Métricas de regressão
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}")

Validação Cruzada

Avaliação robusta do modelo usando validação cruzada.

# Validação cruzada K-fold
from sklearn.model_selection import cross_val_score,
StratifiedKFold
cv_scores = cross_val_score(model, X, y, cv=5,
scoring='accuracy')
print(f"Precisão CV: {cv_scores.mean():.4f} (+/-
{cv_scores.std() * 2:.4f})")
# K-fold Estratificado para conjuntos de dados desbalanceados
skf = StratifiedKFold(n_splits=5, shuffle=True,
random_state=42)
cv_scores = cross_val_score(model, X, y, cv=skf,
scoring='f1_weighted')

Aprendizado Não Supervisionado

Agrupamento K-Means: KMeans()

Particionar dados em k clusters.

# Agrupamento K-means
from sklearn.cluster import KMeans
kmeans = KMeans(n_clusters=3, random_state=42)
cluster_labels = kmeans.fit_predict(X)
centroids = kmeans.cluster_centers_
# Determinar o número ideal de clusters (método do cotovelo)
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_)

Análise de Componentes Principais: PCA()

Técnica de redução de dimensionalidade.

# PCA para redução de dimensionalidade
from sklearn.decomposition import PCA
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X)
explained_variance = pca.explained_variance_ratio_
# Encontrar o número ideal de componentes
pca_full = PCA()
pca_full.fit(X)
cumsum =
np.cumsum(pca_full.explained_variance_ratio_)
# Encontrar componentes para 95% de variância
n_components = np.argmax(cumsum >= 0.95) + 1

Agrupamento DBSCAN: DBSCAN()

Algoritmo de agrupamento baseado em densidade.

# Agrupamento DBSCAN
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"Número de clusters: {n_clusters}")
print(f"Número de pontos de ruído: {n_noise}")

Agrupamento Hierárquico: AgglomerativeClustering()

Construir hierarquia de clusters.

# Agrupamento aglomerativo
from sklearn.cluster import AgglomerativeClustering
agg_clustering = AgglomerativeClustering(n_clusters=3,
linkage='ward')
cluster_labels = agg_clustering.fit_predict(X)
# Visualização do dendrograma
from scipy.cluster.hierarchy import dendrogram, linkage
linked = linkage(X, 'ward')
plt.figure(figsize=(12, 8))
dendrogram(linked)

Seleção de Modelo e Ajuste de Hiperparâmetros

Busca em Grade: GridSearchCV()

Busca exaustiva na grade de parâmetros.

# Busca em grade para ajuste de hiperparâmetros
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_

Busca Aleatória: RandomizedSearchCV()

Amostragem aleatória de distribuições de parâmetros.

# Busca aleatória (mais rápida para grandes espaços de parâmetros)
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()

Encadeamento de etapas de pré-processamento e modelagem.

# Criar pipeline de pré-processamento e modelagem
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)
# Busca em grade com pipeline
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)

Seleção de Recursos: SelectKBest() / RFE()

Selecione os recursos mais informativos.

# Seleção de recursos univariada
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()]
# Eliminação Recursiva de Recursos
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)

Técnicas Avançadas

Métodos de Conjunto: VotingClassifier() / BaggingClassifier()

Combine múltiplos modelos para melhor desempenho.

# Classificador de votação (conjunto de diferentes algoritmos)
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)
# Classificador de Bagging
from sklearn.ensemble import BaggingClassifier
bagging_clf = BaggingClassifier(DecisionTreeClassifier(),
n_estimators=100, random_state=42)
bagging_clf.fit(X_train, y_train)

Aumento de Gradiente: GradientBoostingClassifier()

Método de conjunto sequencial com correção de erro.

# Classificador de aumento de gradiente
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)
# Importância do recurso
importances = gb_clf.feature_importances_
# Curva de aprendizado
from sklearn.model_selection import learning_curve
train_sizes, train_scores, val_scores =
learning_curve(gb_clf, X, y, cv=5)

Lidar com Dados Desbalanceados: SMOTE() / Pesos de Classe

Aborde o desequilíbrio de classes em conjuntos de dados.

# Instalar 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)
# Usando pesos de classe
rf_balanced =
RandomForestClassifier(class_weight='balanced',
random_state=42)
rf_balanced.fit(X_train, y_train)
# Pesos de classe manuais
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))

Persistência de Modelo: joblib

Salvar e carregar modelos treinados.

# Salvar modelo
import joblib
joblib.dump(model, 'trained_model.pkl')
# Carregar modelo
loaded_model = joblib.load('trained_model.pkl')
y_pred = loaded_model.predict(X_test)
# Salvar pipeline inteiro
joblib.dump(pipeline, 'preprocessing_pipeline.pkl')
loaded_pipeline =
joblib.load('preprocessing_pipeline.pkl')
# Alternativa usando 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)

Desempenho e Depuração

Curvas de Aprendizado: learning_curve()

Diagnosticar overfitting e underfitting.

# Plotar curvas de aprendizado
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='Pontuação de Treinamento')
plt.plot(train_sizes, np.mean(val_scores, axis=1), 'o-',
label='Pontuação de Validação')
plt.xlabel('Tamanho do Conjunto de Treinamento')
plt.ylabel('Pontuação')
plt.legend()

Curvas de Validação: validation_curve()

Analisar o efeito dos hiperparâmetros.

# Curva de validação para hiperparâmetro único
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='Treinamento')
plt.plot(param_range, np.mean(val_scores, axis=1), 'o-',
label='Validação')
plt.xlabel('Número de Estimadores')
plt.ylabel('Pontuação')

Visualização da Importância do Recurso

Entenda quais recursos impulsionam as previsões do modelo.

# Plotar importância do recurso
importances = model.feature_importances_
indices = np.argsort(importances)[::-1]
plt.figure(figsize=(12, 8))
plt.title("Importância do Recurso")
plt.bar(range(X.shape[1]), importances[indices])
plt.xticks(range(X.shape[1]), [X.columns[i] for i in indices],
rotation=90)
# Valores SHAP para interpretabilidade do modelo
# pip install shap
import shap
explainer = shap.TreeExplainer(model)
shap_values = explainer.shap_values(X_test)
shap.summary_plot(shap_values, X_test)

Comparação de Modelos

Compare algoritmos múltiplos sistematicamente.

# Comparar múltiplos modelos
from sklearn.model_selection import cross_val_score
models = {
    'Regressão Logística':
LogisticRegression(random_state=42),
    'Floresta Aleatória':
RandomForestClassifier(random_state=42),
    'SVM': SVC(random_state=42),
    'Aumento de Gradiente':
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})")

Configuração e Melhores Práticas

Estado Aleatório e Reprodutibilidade

Garanta resultados consistentes entre execuções.

# Definir estado aleatório para
reprodutibilidade
import numpy as np
np.random.seed(42)
# Definir random_state em todos os
componentes sklearn
model =
RandomForestClassifier(random
_state=42)
train_test_split(X, y,
random_state=42)
# Para validação cruzada
cv = StratifiedKFold(n_splits=5,
shuffle=True, random_state=42)

Memória e Desempenho

Otimizar para grandes conjuntos de dados e eficiência computacional.

# Usar n_jobs=-1 para
processamento paralelo
model =
RandomForestClassifier(n_jobs=
-1)
grid_search =
GridSearchCV(model,
param_grid, n_jobs=-1)
# Para grandes conjuntos de dados, usar
partial_fit quando disponível
from sklearn.linear_model
import SGDClassifier
sgd = SGDClassifier()
# Processar dados em blocos
for chunk in chunks:
    sgd.partial_fit(chunk_X,
chunk_y)

Avisos e Depuração

Lidar com problemas comuns e depurar modelos.

# Suprimir avisos (use com
cuidado)
import warnings
warnings.filterwarnings('ignore')
# Habilitar set_config do sklearn para
melhor depuração
from sklearn import set_config
set_config(display='diagram')  #
Exibição aprimorada no Jupyter
# Verificar vazamento de dados
from sklearn.model_selection
import cross_val_score
# Garantir que o pré-processamento seja
feito dentro do loop CV

Links Relevantes

• Python Cheatsheet
• Pandas Cheatsheet
• NumPy Cheatsheet
• Matplotlib Cheatsheet
• Data Science Cheatsheet
• Database Cheatsheet