Первая модель на scikit-learn: классификация за 20 минут

К концу этой инструкции у вас будет обученная модель, которая по параметрам цветка ириса определяет его вид с точностью около 95%. Заодно вы поймёте, зачем данные делят на две части и почему точность на обучающей выборке ничего не значит. Времени уйдёт минут двадцать, если Python уже установлен. Математику не трогаем — scikit-learn считает всё сам, ваша задача правильно подготовить данные и прочитать результат.

Что нужно до начала

Никакого GPU и мощного железа для этой задачи не требуется — датасет крошечный, всё считается на ноутбуке за доли секунды. Проверьте перед стартом:

• Python 3.9 или новее. Проверить: python --version в терминале.
• Установленный scikit-learn. Статья написана под версию 1.5.x. Ставится командой pip install scikit-learn. Вместе с ней подтянутся NumPy и SciPy — они нужны библиотеке для работы.
• Любой способ запускать код: файл .py, Jupyter Notebook или интерактивная консоль. Для первого раза удобнее Jupyter — видно результат каждого шага.

Датасет скачивать не нужно: набор ирисов Фишера встроен прямо в scikit-learn.

Что такое датасет ирисов

Это классический учебный набор из 150 строк. Каждая строка — один цветок с четырьмя измерениями (длина и ширина чашелистика и лепестка в сантиметрах) и меткой вида: setosa, versicolor или virginica. Задача — научить модель по четырём числам угадывать вид. Такой тип задачи называется классификацией: результат — одна из нескольких заранее известных категорий.¹

Шаг 1. Загрузить данные

Импортируем набор и посмотрим, что внутри.

# scikit-learn 1.5.x
from sklearn.datasets import load_iris

iris = load_iris()

print("Форма матрицы признаков:", iris.data.shape)
print("Названия признаков:", iris.feature_names)
print("Классы:", iris.target_names)

В консоли должно появиться: Форма матрицы признаков: (150, 4), список из четырёх признаков и три класса. iris.data — это 150 строк по 4 числа, iris.target — 150 меток (числа 0, 1, 2, соответствующие видам).

Шаг 2. Разделить данные на обучающую и тестовую части

Ключевой момент, который новички часто пропускают. Если обучить модель на всех данных, а потом на них же проверить, она покажет отличную точность — но это самообман: модель уже видела ответы. Настоящую способность угадывать проверяют на данных, которых модель не видела.

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(
    iris.data,
    iris.target,
    test_size=0.3,      # 30% данных уходит в тест
    random_state=42,    # фиксируем случайность ради воспроизводимости
    stratify=iris.target  # сохраняем пропорции классов в обеих частях
)

print("Обучающая выборка:", X_train.shape[0], "строк")
print("Тестовая выборка:", X_test.shape[0], "строк")

Должно вывести Обучающая выборка: 105 строк и Тестовая выборка: 45 строк. Параметр random_state=42 — любое фиксированное число: оно делает разбиение одинаковым при каждом запуске, чтобы результаты совпадали с этой статьёй.

Точность на данных, которые модель уже видела, — это не оценка модели, а оценка вашей памяти. Проверять надо на том, чего она не видела.

Шаг 3. Обучить модель

Возьмём метод k ближайших соседей — он интуитивно понятен: новый цветок относят к тому виду, к которому принадлежит большинство из k ближайших к нему по измерениям точек.

from sklearn.neighbors import KNeighborsClassifier

# n_neighbors=5 — смотрим на 5 ближайших примеров
model = KNeighborsClassifier(n_neighbors=5)

# обучение: fit принимает признаки и правильные ответы
model.fit(X_train, y_train)

Метод fit и есть "обучение". Ошибок в консоли быть не должно; в Jupyter выведется строка с параметрами модели вроде KNeighborsClassifier(). У всех моделей scikit-learn один и тот же интерфейс: fit для обучения, predict для предсказания. Захотите позже попробовать другой алгоритм — меняете только строку с классом модели.

Шаг 4. Проверить точность

Теперь спрашиваем модель про тестовую выборку — те самые 45 строк, которых она не видела.

from sklearn.metrics import accuracy_score, classification_report

y_pred = model.predict(X_test)

print("Точность:", accuracy_score(y_test, y_pred))
print(classification_report(y_test, y_pred, target_names=iris.target_names))

Точность окажется в районе 0.95 — модель верно определила примерно 43 из 45 цветков. classification_report покажет разбивку по классам: как правило, setosa угадывается идеально, а versicolor и virginica иногда путаются между собой, потому что их измерения пересекаются.

Как читать точность

Значение 0.95 значит "95% тестовых цветков распознаны верно". Для трёх классов случайное угадывание дало бы около 0.33, так что 0.95 — хороший результат. Но одна цифра точности не всё: если один класс встречается редко, модель может "выигрывать" на нём, игнорируя его. Поэтому и смотрят отчёт по классам, а не одно число.

Шаг 5. Предсказать для нового цветка

Модель готова принимать данные, которых нет в датасете вовсе.

import numpy as np

# длина/ширина чашелистика, длина/ширина лепестка в см
novyj_cvetok = np.array([[5.1, 3.5, 1.4, 0.2]])

prognoz = model.predict(novyj_cvetok)
print("Предсказанный вид:", iris.target_names[prognoz[0]])

Для этих чисел модель ответит setosa. Обратите внимание: признаки передаются в том же порядке, что и в обучении, и обёрнуты в двойные скобки — predict ждёт список строк, даже если строка одна.

Если не получилось

• ModuleNotFoundError: No module named 'sklearn' — библиотека не установлена или установлена в другое окружение. Выполните pip install scikit-learn в том же окружении, где запускаете код. Имя пакета для установки — scikit-learn, а для импорта — sklearn, это нормально.
• ValueError: Expected 2D array, got 1D array instead при вызове predict — вы передали один список чисел вместо списка строк. Оберните данные в двойные скобки: [[5.1, 3.5, 1.4, 0.2]], а не [5.1, 3.5, 1.4, 0.2].
• Точность заметно ниже 0.9 — скорее всего, при разбиении перепутаны местами признаки и метки в train_test_split или в fit. Порядок аргументов у fit: сначала признаки X_train, потом ответы y_train.
• Результаты не совпадают с моими при каждом запуске — не указан random_state. Разбиение случайно, поэтому цифры плавают. Зафиксируйте любое число.
• NotFittedError при вызове predict — вы забыли model.fit(...) перед предсказанием. Модель нельзя спрашивать до обучения.

Что делать дальше

Вы прошли полный цикл: загрузка, разбиение, обучение, проверка, предсказание. Дальше стоит попробовать три вещи, не меняя структуру кода:

• Замените KNeighborsClassifier на DecisionTreeClassifier из sklearn.tree — интерфейс тот же, сравните точность.
• Поменяйте n_neighbors с 5 на 1 и на 15 — увидите, как параметр влияет на результат.
• Возьмите свой датасет из CSV через pandas.read_csv и подайте столбцы в тот же fit. Здесь всплывёт то, чего нет в учебном наборе: пропущенные значения и нечисловые признаки — их придётся обрабатывать до обучения. Это отдельная большая тема, называется предобработкой данных.

Официальный туториал по scikit-learn разбирает те же шаги подробнее и показывает, как выбирать между алгоритмами.