sklearn实战教程：分类回归聚类全案例，附代码逐行解析与易错点规避

学完 sklearn 基础还是不敢上手实战？分类、回归、聚类到底该用哪个模型？代码写了半天一跑就报错，问题到底出在哪？不少朋友私信兔子哥，说理论看了一堆，一到实际操作就懵圈。其实啊，机器学习实战没那么难，今天咱们就拿三个经典案例，把分类、回归、聚类的实操流程拆解开，代码逐行讲清楚，再把新手常踩的坑列出来，跟着做保准你能上手！
先给大家捋个明白，这三类任务到底有啥区别？直接上表格看得更清楚：

任务类型	核心目标	数据特点	常用模型	评估指标
分类	给数据贴标签（比如判断邮件是否垃圾）	标签是离散值（如 0/1、A/B/C）	决策树、KNN、逻辑回归	准确率、混淆矩阵
回归	预测连续数值（比如房价、温度）	标签是连续值（如 120.5、36.8）	线性回归、随机森林回归	均方误差、R² 分数
聚类	自动给数据分组（比如用户分群）	没有标签，靠数据相似性分组	K-means、DBSCAN	轮廓系数、Calinski 指数

案例一：分类任务 —— 用决策树给鸢尾花分类

咱们还用经典的鸢尾花数据集，目标是根据花萼、花瓣的尺寸，判断它属于哪类鸢尾花。
第一步加载数据和模型：
python

from sklearn.datasets import load_irisfrom sklearn.tree import DecisionTreeClassifier  # 导入决策树模型from sklearn.model_selection import train_test_split

这步简单吧？但新手常犯一个错 —— 导入模型时把分类和回归搞混，比如写成 DecisionTreeRegressor，后面训练肯定报错，这点要注意。
第二步拆分数据：
python

iris = load_iris()X = iris.data  # 特征数据（花萼长度、宽度等）y = iris.target  # 标签（0/1/2代表三类花）X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

这里要记住，特征变量用大写 X，标签用小写 y，很多人刚开始会把这俩弄反，导致模型训练失败。test_size 设 0.2 就是留 20% 数据当测试集，这是为了检验模型好不好用。
第三步训练和评估：
python

model = DecisionTreeClassifier(max_depth=3)  # 限制树深度，避免过拟合model.fit(X_train, y_train)  # 用训练集训练print("准确率：", model.score(X_test, y_test))  # 用测试集看效果

易错点来了！如果不设 max_depth，决策树可能长得太复杂，把训练数据的细节都记住了，到测试集就不准，这就是过拟合。新手常忽略这个参数，结果模型在自己电脑上效果好，换个数据就拉胯。

案例二：回归任务 —— 预测房价（以波士顿房价为例）

回归任务预测连续值，咱们用波士顿房价数据集（注：新版本 sklearn 可能需要用 fetch_openml 加载，老版本直接 load_boston 就行）。
核心代码走一遍：
python

from sklearn.datasets import load_boston  # 老版本用这个from sklearn.linear_model import LinearRegressionfrom sklearn.metrics import mean_squared_error  # 评估误差的指标boston = load_boston()X = boston.data  # 特征（房间数、犯罪率等）y = boston.target  # 房价（连续值）X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)model = LinearRegression()model.fit(X_train, y_train)y_pred = model.predict(X_test)  # 预测测试集房价print("均方误差：", mean_squared_error(y_test, y_pred))  # 数值越小越好

这里新手容易踩的坑是啥？特征维度！如果你的测试集特征数量和训练集不一样，比如少了一列数据，预测时肯定报错。所以预处理时一定要保证训练集和测试集的特征一致。另外，线性回归对异常值很敏感，数据里有极端大的房价没处理，结果就会不准，这步别忘了检查数据。

案例三：聚类任务 —— 用 K-means 给数据自动分组

聚类没有标签，咱们用 make_blobs 生成模拟数据，让模型自动分成 3 组。
代码实操：
python

from sklearn.datasets import make_blobsfrom sklearn.cluster import KMeansimport matplotlib.pyplot as plt  # 画图看效果X, _ = make_blobs(n_samples=300, centers=3, random_state=42)  # 生成3组数据model = KMeans(n_clusters=3)  # 告诉模型要分3组model.fit(X)labels = model.predict(X)  # 得到每个数据的分组标签# 画图看看聚类效果plt.scatter(X[:,0], X[:,1], c=labels)plt.show()

聚类最容易错的就是 K 值！如果把 n_clusters 设成 2，明明数据该分 3 组，结果肯定不对。怎么选 K 值？可以多试几个，看轮廓系数，数值越接近 1 越好。还有啊，聚类前最好做数据归一化，不然有的特征数值大（比如收入），有的小（比如年龄），模型会偏向数值大的特征，分组就不准了。
可能有朋友问：“聚类没有标签，怎么知道分的好不好？” 除了看轮廓系数，还可以画图直观感受，组内数据越集中、组间越分散，效果就越好。
兔子哥说句心里话，实战最重要的不是记住代码，是搞懂每个步骤的逻辑。比如为啥要拆分数据？因为模型不能只 “死记硬背” 训练数据，得能举一反三。遇到报错别慌，先看报错信息里的关键词，十有八九是数据格式不对或者参数设错了，一行行检查代码，多试几次就熟了。
平时练手别总用现成数据集，自己找些简单的数据试试，比如用学生成绩数据做回归预测，用客户消费数据做聚类分群，练多了自然就有感觉了。记住啊，机器学习是练出来的，不是看出来的，动手跑起来比啥都强！

标签： DecisionTreeClassifier DecisionTreeRegressor