اگر می‌خواهی بدون درگیر شدن با ریاضیات سنگین و فریم‌ورک‌های حجیم، اولین مدل یادگیری ماشین واقعی‌ات را در پایتون بسازی، جای درستی آمده‌ای. کتابخانه Scikit-learn دقیقاً برای همین ساخته شده است: یک ابزار متن‌باز، سریع و به‌شدت مستند که از پیش‌پردازش داده تا آموزش، ارزیابی و ذخیره‌ی مدل را در چند خط کد جمع می‌کند. در این آموزش از نصب شروع می‌کنیم و تا ساخت یک Pipeline قابل‌اتکا برای داده‌های واقعی جلو می‌رویم؛ همان مسیری که پایه‌ی اکثر پروژه‌های حرفه‌ای هوش مصنوعی است.

آموزش Scikit-learn در پایتون برای شروع یادگیری ماشین

Scikit-learn یک کتابخانه‌ی پایتون برای یادگیری ماشین کلاسیک است که روی NumPy، SciPy و Matplotlib ساخته شده و رابط API یکسانی برای همه‌ی الگوریتم‌ها ارائه می‌دهد. با متدهای ثابت fit، predict و transform می‌توانی مدل بسازی، آموزش بدهی و ارزیابی کنی. در ادامه قدم‌به‌قدم این مسیر را با کد کامل و قابل‌اجرا می‌بینیم؛ تا انتهای مقاله یک pipeline واقعی تحویل می‌گیری.

فهرست مطالب

Scikit-learn چیست و برای چه کاری ساخته شده؟
پیش‌نیازها و نصب Scikit-learn
اولین مدل: تشخیص گونه‌ی گل با دیتاست iris
توضیح گام‌به‌گام کد
پیش‌پردازش و Pipeline؛ قلب پروژه‌های واقعی
ارزیابی مدل با Cross-Validation و تنظیم پارامتر
اشتباهات و خطاهای رایج
کاربرد واقعی و نکات امنیتی
سوالات متداول
جمع‌بندی

Scikit-learn چیست و برای چه کاری ساخته شده؟

Scikit-learn مجموعه‌ای از الگوریتم‌های کلاسیک یادگیری ماشین است: رگرسیون، طبقه‌بندی، خوشه‌بندی، کاهش ابعاد، انتخاب ویژگی و ابزارهای ارزیابی. برخلاف شبکه‌های عصبی عمیق، این کتابخانه روی داده‌های جدولی و مسائل «یادگیری ماشین کلاسیک» می‌درخشد و برای پروژه‌هایی که داده‌ی محدود دارند، سریع‌تر و قابل‌توضیح‌تر است. آخرین نسخه‌ی پایدار در زمان نگارش این مقاله، شاخه‌ی ۱.۹.x است که از پایتون ۳.۱۱ تا ۳.۱۴ پشتیبانی می‌کند.

پیش‌نیازها و نصب Scikit-learn

برای شروع به پایتون ۳.۱۱ یا بالاتر و آشنایی مقدماتی با آرایه‌های NumPy نیاز داری. بهترین کار استفاده از محیط مجازی است تا وابستگی‌های پروژه جدا بماند:

python -m venv .venv
# ویندوز
.venv\Scripts\activate
# لینوکس یا مک
source .venv/bin/activate

pip install -U scikit-learn pandas

برای بررسی نصب موفق، نسخه را چاپ کن:

import sklearn
print(sklearn.__version__)

اولین مدل: تشخیص گونه‌ی گل با دیتاست iris

معروف‌ترین دیتاست آموزشی Scikit-learn دیتاست iris است؛ اندازه‌ی گلبرگ و کاسبرگ سه گونه‌ی گل. یک مدل کامل در چند خط:

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score

X, y = load_iris(return_X_y=True)

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42, stratify=y
)

model = RandomForestClassifier(n_estimators=200, random_state=42)
model.fit(X_train, y_train)

pred = model.predict(X_test)
print("دقت مدل:", round(accuracy_score(y_test, pred), 3))

خروجی این کد معمولاً دقتی حدود ۰.۹ تا ۱.۰ چاپ می‌کند. اگر عدد پایین‌تری گرفتی، قبل از نگرانی به بخش خطاهای رایج سر بزن.

توضیح گام‌به‌گام کد

بارگذاری داده: load_iris داده را به دو آرایه تقسیم می‌کند؛ X ویژگی‌ها و y برچسب‌ها.
تقسیم داده: train_test_split داده را به بخش آموزش و آزمون جدا می‌کند. پارامتر stratify=y تضمین می‌کند نسبت هر کلاس در هر دو بخش حفظ شود.
ساخت مدل: RandomForestClassifier یک جنگل تصادفی است؛ ترکیبی از درخت‌های تصمیم که مقاوم و کم‌تنظیم است.
آموزش: fit الگوها را از داده‌ی آموزش یاد می‌گیرد.
پیش‌بینی و ارزیابی: predict روی داده‌ی ندیده اجرا و با accuracy_score سنجیده می‌شود.

پیش‌پردازش و Pipeline؛ قلب پروژه‌های واقعی

داده‌های واقعی هم ستون عددی دارند و هم ستون متنی. ColumnTransformer به هر گروه ستون تبدیل مناسب را اعمال می‌کند و Pipeline همه‌ی مراحل را به یک شیء واحد تبدیل می‌کند؛ مزیت بزرگ این است که هنگام cross-validation هیچ نشت داده (data leakage) رخ نمی‌دهد.

import pandas as pd
from sklearn.compose import ColumnTransformer
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler, OneHotEncoder
from sklearn.linear_model import LogisticRegression

df = pd.DataFrame({
    "سن": [22, 35, 47, 29, 52, 41, 33, 26],
    "شهر": ["تهران", "شیراز", "تهران", "مشهد",
            "شیراز", "مشهد", "تهران", "شیراز"],
    "خرید": [0, 1, 1, 0, 1, 1, 0, 1],
})

X = df.drop(columns="خرید")
y = df["خرید"]

pre = ColumnTransformer([
    ("num", StandardScaler(), ["سن"]),
    ("cat", OneHotEncoder(handle_unknown="ignore"), ["شهر"]),
])

pipe = Pipeline([
    ("pre", pre),
    ("clf", LogisticRegression(max_iter=1000)),
])

pipe.fit(X, y)

new = pd.DataFrame({"سن": [30], "شهر": ["تهران"]})
print("پیش‌بینی:", pipe.predict(new)[0])

نکته‌ی کلیدی handle_unknown="ignore" است؛ بدون آن، اگر در داده‌ی جدید شهری ظاهر شود که در آموزش نبوده، برنامه خطا می‌دهد.

ارزیابی مدل با Cross-Validation و تنظیم پارامتر

یک بار تقسیم کردن داده، تصویر قابل‌اعتمادی از عملکرد مدل نمی‌دهد. cross_val_score داده را به چند بخش تقسیم می‌کند و میانگین دقت را گزارش می‌دهد. GridSearchCV هم بهترین ترکیب پارامترها را پیدا می‌کند:

from sklearn.datasets import load_iris
from sklearn.model_selection import GridSearchCV
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC

X, y = load_iris(return_X_y=True)

pipe = Pipeline([("scale", StandardScaler()), ("svc", SVC())])

grid = GridSearchCV(
    pipe,
    {"svc__C": [0.1, 1, 10], "svc__kernel": ["linear", "rbf"]},
    cv=5,
    scoring="accuracy",
)
grid.fit(X, y)

print("بهترین پارامترها:", grid.best_params_)
print("دقت میانگین:", round(grid.best_score_, 3))

توجه کن که نام پارامترها با __ (دو زیرخط) به مرحله‌ی مربوطه در Pipeline وصل می‌شوند، مثلاً svc__C.

اشتباهات و خطاهای رایج

نشت داده: اگر قبل از train_test_split مقیاس‌بندی (Scaling) را اعمال کنی، اطلاعات داده‌ی آزمون به آموزش نشت می‌کند و دقت به‌شکل کاذب بالا می‌رود. همیشه تبدیل‌ها را داخل Pipeline بگذار.
خطای یک‌بعدی بودن داده: پیام Expected 2D array, got 1D array یعنی به مدل آرایه‌ی یک‌بعدی داده‌ای. با X.reshape(-1, 1) یا دادن DataFrame حل می‌شود.
مقدار روبه‌روی unknown category: برای داده‌ی متنی مدل‌های خطی، فراموش کردن handle_unknown="ignore" در OneHotEncoder باعث خطای زمان پیش‌بینی می‌شود.
عدم همگرایی: هشدار ConvergenceWarning در رگرسیون لجستیک معمولاً با افزایش max_iter یا مقیاس‌بندی ویژگی‌ها برطرف می‌شود.
نادیده گرفتن عدم توازن کلاس‌ها: وقتی یک کلاس بسیار کم‌نمونه است، accuracy گمراه‌کننده است؛ به‌جای آن از f1_score و classification_report استفاده کن.

کاربرد واقعی و نکات امنیتی

Scikit-learn امروز در پیش‌بینی ریزش مشتری، تشخیص تقلب، دسته‌بندی تیکت‌های پشتیبانی، رتبه‌بندی و حتی به‌عنوان مرحله‌ی نهایی کنار مدل‌های زبانی به کار می‌رود. برای پروژه‌های صنعتی، دو نکته‌ی جدی را رعایت کن:

مدل را با joblib.dump ذخیره کن، اما هرگز فایل pickle/joblib را از منبع ناشناس بارگذاری نکن؛ چون پایتون هنگام بازکردن آن کد اجرا می‌کند و می‌تواند مخرب باشد.
برای تکرارپذیری، همیشه random_state را ثابت بگذار و نسخه‌ی کتابخانه را در فایل requirements.txt قفل کن؛ چراکه نتیجه‌ی مدل بین نسخه‌ها ممکن است تغییر کند.

یادگیری Scikit-learn تنها بخشی از مسیر است. برای اطمینان از درستی کد، ترکیب آن با تست‌نویسی خودکار با Pytest را از همان ابتدا جدی بگیر و برای ادامه‌ی مسیر، سراغ دیتاست‌های واقعی و مسائل دسته‌بندی متنی برو.

سوالات متداول

آیا Scikit-learn برای هوش مصنوعی و دیپ‌لرنینگ هم مناسب است؟

برای یادگیری ماشین کلاسیک و داده‌های جدولی بله و حتی گاهی بهترین گزینه است. اما برای شبکه‌های عصبی عمیق و پردازش تصویر و متن پیچیده، ابزارهایی مثل PyTorch و TensorFlow مناسب‌ترند.

چه نسخه‌ای از پایتون لازم است؟

شاخه‌ی پایدار ۱.۹ از پایتون ۳.۱۱ تا ۳.۱۴ پشتیبانی می‌کند. پیش از نصب، نسخه‌ی پایتون خود را با python --version بررسی کن.

تفاوت Pipeline و ColumnTransformer چیست؟

Pipeline ترتیب مراحل را پشت‌سرهم اجرا می‌کند، در حالی که ColumnTransformer روی گروه‌های مختلف ستون‌ها تبدیل‌های متفاوت اعمال می‌کند. در پروژه‌های واقعی معمولاً ColumnTransformer داخل Pipeline قرار می‌گیرد.

چطور بفهمم مدلم بیش‌برازش (Overfitting) کرده است؟

اگر دقت روی داده‌ی آموزش بسیار بالاتر از داده‌ی آزمون باشد، مدل بیش‌برازش کرده است. کاهش پیچیدگی مدل، افزودن داده یا استفاده از cross-validation راه‌حل است.

آیا Scikit-learn فارسی و متن فارسی را پشتیبانی می‌کند؟

بله، با ابزارهایی مثل CountVectorizer و TfidfVectorizer می‌توان متن فارسی را پس از نرمال‌سازی و توکن‌سازی به بردار تبدیل کرد؛ کیفیت نتیجه به مرحله‌ی پیش‌پردازش متن بستگی دارد.

جمع‌بندی

برای شروع حرفه‌ای با Scikit-learn این چک‌لیست را دنبال کن:

محیط مجازی بساز و scikit-learn و pandas را نصب کن.
داده را با train_test_split و ترجیحاً stratify تقسیم کن.
همه‌ی تبدیل‌ها را داخل Pipeline و ColumnTransformer قرار بده تا نشت داده رخ ندهد.
با cross_val_score ارزیابی کن، نه با یک بار تقسیم.
پارامترها را با GridSearchCV تنظیم کن و مدل نهایی را با joblib ذخیره کن.
برای مسائل نامتوازن، از f1_score و classification_report استفاده کن.

با همین شش قدم، یک پایه‌ی درست برای هر پروژه‌ی یادگیری ماشینی ساخته‌ای؛ از این‌جا می‌توانی به سراغ دیتاست واقعی خودت و بهینه‌سازی مدل بروی.

آموزش Scikit-learn در پایتون؛ اولین مدل یادگیری ماشین