Scikit-learn 无疑是 Python 机器学习生态中最常用的库之一。其标准化且简洁的接口，让数据预处理、模型训练、优化与评估都变得异常高效。

追溯它的起源，该项目最初由 Da vid Cournapeau 在 Google Summer of Code 期间发起，并于 2010 年首次公开发布。历经十余年的迭代与发展，如今 Scikit-learn 已构建起一个非常成熟的机器学习开发环境。在版本更新中，团队不断加入许多贴心且实用的功能，其中一些甚至鲜为人知。本文将盘点 10 个你可能不了解、但极具价值的 Scikit-learn 特性，助你更高效地开展机器学习项目。

1. 内置数据集

Scikit-learn API 自带多种 toy 数据集与真实世界数据集[1]，只需一行代码即可加载。如果你正在入门机器学习，或希望快速验证新算法，这一功能极为便捷。

此外，你还能利用 make_regression()、make_blobs() 和 make_classification() 生成合成数据。所有加载工具均支持直接返回已拆分的 X（特征）与 y（目标），拿到即可送入模型训练，省时省力。

2. 获取公开数据集

如果你希望从 Scikit-learn 直接访问更多公开数据集，可以调用 datasets.fetch_openml 函数，它能从 openml.org 网站[2]拉取数据。该网站收录了超过 21000 个来自不同领域的数据集，是寻找项目数据的宝库，无需再四处搜寻。

3. 内置分类器训练 baseline

在开发机器学习模型时，建立 baseline 模型是标准流程。本质上，它是一个“dummy”模型——例如始终预测出现频率最高的类别。这相当于为后续“智能”模型设立一个及格线，确保你的模型不是盲目猜测。

Scikit-learn 贴心地提供了分类用的 DummyClassifier() 与回归用的 DummyRegressor()，开箱即用，非常方便。

4. 内置绘图 API

Scikit-learn 自带一套绘图 API，无需额外导入 matplotlib 等库，即可直接可视化模型性能。支持部分依赖图、混淆矩阵、精确率-召回率曲线以及 ROC 曲线，一张图表即可完成评估。

5. 内置特征选择方法

提升模型性能的常用技巧是只保留最有效的特征，或剔除冗余特征，这就是特征选择。Scikit-learn 提供了多种函数实现此功能，例如 SelectPercentile()，它可根据你指定的统计方法，挑选出排名前百分之 X 的特征用于模型训练。

6. 机器学习 Pipeline

除了丰富的算法，Scikit-learn 还集成了大量预处理与数据变换工具。为使工作流可复现且更简洁，它引入了 Pipeline——将一连串预处理步骤与模型训练阶段打包成一个整体。Pipeline 将所有步骤封装为一个对象，调用 fit 和 predict 即可一步完成。当在 Pipeline 对象上调用 fit 时，预处理与模型训练会自动按顺序执行。

7. ColumnTransformer

真实数据集通常包含不同类型的特征，需要不同的预处理方式。例如，类别特征与连续特征混合时，你可能希望对类别特征做 one-hot 编码，对数值特征做缩放。Scikit-learn 的 ColumnTransformer 正是为解决此问题而生——通过索引或列名，轻松指定哪些列使用哪种预处理方法，干净利落。

8. 管道的 HTML 形式

实际中的 Pipeline 往往非常复杂，特别是在处理真实数据时。Scikit-learn 提供了一种方法，可以输出 Pipeline 步骤的 HTML 图表[3]，可视化整个流程，一目了然。

9. 可视化树模型

plot_tree() 函数可以直接绘制决策树模型每一步的决策过程，对调试和解释模型特别有帮助。

10. 丰富的第三方扩展

许多第三方库可以进一步扩展 Scikit-learn 的能力。例如，category-encoders 库为类别特征提供了更丰富的预处理方法；ELI5 包则能实现更强的模型可解释性。这两个库都能直接嵌入 Scikit-learn 的 Pipeline 中，实现无缝集成。

本文参考资料

[1]toy和real-world数据集: https://scikit-learn.org/stable/datasets/index.html

[2]openml.org网站: https://www.openml.org/home

[3]HTML图表: https://scikit-learn.org/stable/modules/compose.html#visualizing-composite-estimators