2025年Python机器学习考试模拟试卷：Scikit-learn模型训练

2025年Python机器学习考试模拟试卷：Scikit-learn模型训练考试时间：______分钟总分：______分姓名：______注意：请确保在运行以下代码之前已经安装了`numpy`,`pandas`,`scikit-learn`库。```pythonimportnumpyasnpimportpandasaspdfromsklearn.datasetsimportload_irisfromsklearn.model_selectionimporttrain_test_split,GridSearchCVfromsklearn.preprocessingimportStandardScaler,OneHotEncoderfromposeimportColumnTransformerfromsklearn.pipelineimportPipelinefromsklearn.linear_modelimportLogisticRegressionfromsklearn.ensembleimportRandomForestClassifierfromsklearn.metricsimportaccuracy_score,classification_report#1.加载Iris数据集iris=load_iris()X=iris.datay=iris.targetfeature_names=iris.feature_namestarget_names=iris.target_names#假设我们将前两个特征视为数值型，第三个特征（'petallength(cm)'）视为类别型（虽然它本身是数值，但这里按题目要求处理）#为了模拟，我们手动修改一个值使其成为缺失值X[0,2]=np.nan#2.将数据转换为DataFrame以便后续处理df=pd.DataFrame(X,columns=feature_names)df['species']=y#添加目标变量列df['petallength(cm)']=df['petallength(cm)'].astype('float')#确保是浮点型，以便处理缺失值#分离出数值型和类别型特征列numeric_features=['sepallength(cm)','sepalwidth(cm)','petallength(cm)']categorical_features=['petalwidth(cm)']#假设最后一个特征是需要编码的类别特征#3.划分数据集X_train,X_test,y_train,y_test=train_test_split(df[numeric_features+categorical_features],df['species'],test_size=0.3,random_state=42)#4.创建预处理步骤#对数值型特征进行标准化numeric_transformer=StandardScaler()#对类别型特征进行独热编码categorical_transformer=OneHotEncoder(handle_unknown='ignore')#使用ColumnTransformer组合不同的预处理步骤preprocessor=ColumnTransformer(transformers=[('num',numeric_transformer,numeric_features),('cat',categorical_transformer,categorical_features)])#5.创建一个包含预处理和模型的Pipeline#选择LogisticRegression作为基础模型pipeline=Pipeline(steps=[('preprocessor',preprocessor),('classifier',LogisticRegression(solver='liblinear',max_iter=200))])#6.使用训练数据训练Pipelinepipeline.fit(X_train,y_train)#7.使用训练好的Pipeline对测试集进行预测y_pred=pipeline.predict(X_test)#8.计算并输出模型在测试集上的准确率accuracy=accuracy_score(y_test,y_pred)print(f"ModelAccuracy:{accuracy:.4f}")#9.输出详细的分类报告（包含precision,recall,f1-score）print("\nClassificationReport:")print(classification_report(y_test,y_pred,target_names=target_names))#10.现在我们尝试使用GridSearchCV来寻找更好的参数#为LogisticRegression定义一个参数网格param_grid={'classifier__C':[0.01,0.1,1,10],'classifier__penalty':['l1','l2']#注意：liblinear只支持l1和l2}#创建GridSearchCV对象grid_search=GridSearchCV(pipeline,param_grid,cv=5,scoring='accuracy')#使用训练数据运行网格搜索grid_search.fit(X_train,y_train)#11.输出网格搜索找到的最佳参数组合print(f"\nBestparametersfoundbyGridSearchCV:{grid_search.best_params_}")#12.使用网格搜索找到的最佳模型进行预测，并计算准确率best_model=grid_search.best_estimator_y_pred_best=best_model.predict(X_test)accuracy_best=accuracy_score(y_test,y_pred_best)print(f"BestModelAccuracy:{accuracy_best:.4f}")#13.假设我们需要处理新的未知数据，并使用最佳模型进行预测#创建一些新的模拟数据（注意：新数据的列名和顺序必须与训练数据一致）#并且类别型特征需要与训练时使用的编码器保持一致new_data=pd.DataFrame({'sepallength(cm)':[5.1,6.5],'sepalwidth(cm)':[3.5,3.0],'petallength(cm)':[1.4,5.2],#包含一个缺失值'petalwidth(cm)':['0.2','1.8']#假设类别型特征以字符串形式给出，需要编码})#使用最佳模型（best_model）的predict方法进行预测#注意：best_model内部已经包含了preprocessor，所以直接传入原始新数据即可y_pred_new=best_model.predict(new_data)print(f"\nPredictionsfornewdata:{y_pred_new}")print(f"Predictedspeciesnames:{best_model.predict(new_data)}")#14.（思考题，无需代码）如果使用决策树（RandomForestClassifier）作为分类器，并重复上述的Pipeline构建、训练、评估过程，#你认为在预处理步骤、模型训练以及调优方面，与使用LogisticRegression相比，会有哪些主要的不同或需要注意的点？```---试卷答案第4题解析思路：本题考察数据划分。使用`train_test_split`函数将数据分为训练集和测试集是模型评估的标准步骤。需要设置`test_size`来指定测试集比例，`random_state`用于确保每次运行分割结果一致，便于复现和比较。这里指定`test_size=0.3`表示30%的数据用于测试。第5题解析思路：本题考察预处理步骤的创建。由于数据包含数值型和类别型特征，且数值型特征需要标准化，类别型特征需要独热编码，因此适合使用`ColumnTransformer`。需要明确指定`transformers`参数，为每种类型的特征指定对应的转换器（`StandardScaler`和`OneHotEncoder`）以及它们应用的列名。第6题解析思路：本题考察模型训练。使用`Pipeline`将预处理步骤和分类模型串联起来可以简化流程并防止数据泄露。训练模型只需调用`fit`方法，传入训练数据`X_train`和对应的标签`y_train`。Pipeline内部会自动按顺序执行`preprocessor`和`classifier`的`fit`方法。第7题解析思路：本题考察模型预测。使用训练好的Pipeline模型进行预测，只需调用`predict`方法，传入测试数据`X_test`。Pipeline内部会自动应用`preprocessor`的`transform`方法（因为测试集不需要再拟合预处理器）和`classifier`的`predict`方法。第8题解析思路：本题考察模型评估指标的计算。模型评估需要将预测结果`y_pred`与真实标签`y_test`进行比较。准确率（Accuracy）是常用的分类任务评估指标，计算预测正确的样本数占总样本数的比例。使用`accuracy_score`函数可以方便地计算得到。第9题解析思路：本题考察模型评估指标的深入理解。仅计算准确率可能无法全面反映模型性能，特别是当数据集类别不平衡时。分类报告（ClassificationReport）提供了更详细的性能指标，包括每个类别的精确率（Precision）、召回率（Recall）和F1分数（F1-Score），以及宏平均（MacroAverage）和微平均（MicroAverage）。使用`classification_report`函数可以生成该报告。第10题解析思路：本题考察超参数调优方法。为了找到模型的最佳性能，可以使用`GridSearchCV`进行网格搜索。需要定义一个参数网格`param_grid`，其中包含要搜索的参数名称（需使用`Pipeline`中步骤的名称作为前缀，如`classifier__C`）和对应的候选值。`GridSearchCV`会遍历所有参数组合，使用交叉验证（`cv=5`）评估每一组合的性能（`scoring='accuracy'`），最终选择最佳参数组合。需要调用`fit`方法执行搜索。第11题解析思路：本题考察网格搜索结果的获取。`GridSearchCV`对象在完成搜索后会记录下最佳参数组合。可以通过访问其`best_params_`属性来获取这些参数。这是选择最优模型配置的关键一步。第12题解析思路：本题考察使用最佳模型进行评估。网格搜索完成后，`GridSearchCV`的`best_estimator_`属性包含了使用最佳参数组合训练好的模型实例。可以使用这个最佳模型对测试集进行预测，并计算其准确率，以评估调优后的效果是否有所提升。第13题解析思路：本题考察模型在实际新数据上的应用。`Pipeline`的设计优势在于封装了预处理和模型，使得对新数据的预测变得简单。即使新数据包含缺失值或需要与训练时相同的编码，只需将新数据作为`DataFrame`传入最佳模型的`predict`方法即可。内部会自动调用`preprocessor`的`transform`方法处理新数据。第14题解析思路：本题考察对不同模型的比较理解（思考题）。如果将分类器从`LogisticRegression`更换为`RandomForestClassifier`，主要的不同点包括：1.模型原理：LogisticRegression是线性模型，假设数据线性可分；RandomForest是集成模型（基于决策树），通过多个决策树的投票进行预测，能捕捉更复杂的非线性关系。2.参数：两个模型的超参数不同。例如，RandomForest有`n_estimators`（树的数量）、`max_depth`（树的最大深度）、`min_samples_split`（分割内部节点所需的最小样本数）等关键参数。调优时需要关注这些新的参数。3.预处理依赖性：LogisticRegression通常对特征缩放敏感（特别是正则化项），而RandomForest对特