Dự án Machine Learning đầu tiên với scikit-learn

Dự án machine learning đầu tiên với scikit-learn

Dự án machine learning đầu tiên với scikit-learn là cách tốt nhất để ghép toàn bộ kiến thức nhập môn thành một quy trình hoàn chỉnh: đọc dữ liệu, chia train/test, huấn luyện mô hình, đánh giá kết quả và rút ra bài học. Với người mới, mục tiêu của dự án đầu tiên không phải là mô hình mạnh nhất, mà là hiểu được flow làm việc thật sự của machine learning.

Trong bài cuối này, chúng ta sẽ làm một ví dụ nhỏ, rõ ràng và đủ thực tế để bạn thấy scikit-learn cho người mới nên bắt đầu từ đâu.

Scikit-learn là gì?

Scikit learn là gì? Đây là thư viện Python rất phổ biến cho machine learning cổ điển. Nó cung cấp sẵn nhiều công cụ như:

• Chia dữ liệu train/test.


• Tiền xử lý dữ liệu.


• Huấn luyện mô hình.


• Đánh giá mô hình.

Cách làm dự án machine learning đầu tiên

Cách làm dự án machine learning đầu tiên thường gồm 6 bước:

• Chọn bài toán đơn giản.


• Chuẩn bị dữ liệu.


• Chia train/test.


• Huấn luyện mô hình.


• Đánh giá kết quả.


• Ghi lại điều học được và bước cải thiện tiếp theo.

Chọn bài toán cho người mới bắt đầu

Với dự án machine learning cho người mới bắt đầu, nên chọn bài toán:

• Dữ liệu nhỏ.


• Dễ hiểu.


• Dễ đánh giá.


• Không cần hạ tầng phức tạp.

Bước 1: Nạp dữ liệu bằng scikit-learn

Ví dụ nạp dataset Iris:

from sklearn.datasets import load_iris
iris = load_iris()
X = iris.data
y = iris.target
print(X.shape)
print(y[:5])

Trong ví dụ này:

• X là feature đầu vào.


• y là nhãn lớp.

Bước 2: Chia train và test

Sau khi có dữ liệu, bạn cần chia train/test để đánh giá mô hình công bằng hơn:

from sklearn.model_selection import train_test_split
from sklearn.datasets import load_iris
iris = load_iris()
X = iris.data
y = iris.target
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)
print(X_train.shape)
print(X_test.shape)

Đây là bước mà bạn đã học ở các bài trước: không được train và test trên cùng một tập dữ liệu.

Bước 3: Huấn luyện mô hình với scikit-learn

Huấn luyện mô hình với scikit learn rất gọn nhờ API thống nhất. Ở đây ta dùng KNeighborsClassifier:

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
iris = load_iris()
X = iris.data
y = iris.target
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)
model = KNeighborsClassifier(n_neighbors=3)
model.fit(X_train, y_train)

Đến đây, bạn đã train xong mô hình đầu tiên trong project.

Bước 4: Dự đoán và đánh giá kết quả

Sau khi huấn luyện, bạn cần kiểm tra mô hình trên test set:

from sklearn.metrics import accuracy_score
y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print(y_pred[:5])
print("accuracy:", accuracy)

Nếu muốn chi tiết hơn, bạn có thể dùng thêm precision, recall, f1 score cho các bài toán classification phù hợp.

Bước 5: Thử thay đổi mô hình hoặc tham số

Một dự án machine learning thật không dừng ở lần chạy đầu tiên. Bạn nên thử:

• Đổi số hàng xóm của KNN.


• Dùng logistic regression.


• Dùng decision tree.


• So sánh kết quả giữa các mô hình.

from sklearn.neighbors import KNeighborsClassifier
for k in [1, 3, 5]:
    model = KNeighborsClassifier(n_neighbors=k)
    model.fit(X_train, y_train)
    y_pred = model.predict(X_test)
    print(k, accuracy_score(y_test, y_pred))

Đây là bước rất quan trọng vì nó biến bạn từ người chỉ chạy code thành người biết so sánh và suy nghĩ về mô hình.

Phân loại dữ liệu với scikit-learn trong một flow hoàn chỉnh

Nếu ghép lại, bạn sẽ thấy phân loại dữ liệu với scikit learn thường có flow rất rõ:

• Nạp dữ liệu.


• Chia train/test.


• Tạo model.


• fit() để học.


• predict() để dự đoán.


• Dùng metric để đánh giá.

Những lỗi thường gặp ở dự án machine learning đầu tiên

• Chọn bài toán quá khó ngay từ đầu.
• Chỉ quan tâm code chạy được mà không hiểu dữ liệu.
• Không chia train/test.
• Chỉ nhìn accuracy rồi kết luận mô hình tốt.
• Không lưu lại điều đã thử và kết quả nhận được.

Bài tập thực hành

Hãy hoàn thành mini project sau:

• Dùng dataset Iris.


• Train ít nhất 2 mô hình khác nhau.


• So sánh accuracy của chúng.


• Viết 3 dòng kết luận: mô hình nào tốt hơn, vì sao, và bạn muốn thử gì tiếp theo.

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score
iris = load_iris()
X = iris.data
y = iris.target
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)
model = KNeighborsClassifier(n_neighbors=3)
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
print(accuracy_score(y_test, y_pred))

Câu hỏi thường gặp về scikit-learn và dự án đầu tiên

Scikit-learn là gì?

Scikit-learn là thư viện Python phổ biến cho machine learning cổ điển, cung cấp sẵn nhiều công cụ để xử lý dữ liệu, train mô hình và đánh giá kết quả. Đây là lựa chọn rất tốt cho người mới.

Scikit learn cho người mới nên bắt đầu từ đâu?

Bạn nên bắt đầu từ dataset có sẵn như Iris, sau đó học flow cơ bản gồm train/test split, fit, predict và đánh giá. Đây là cách học nhanh và ít bị ngợp nhất.

Dự án machine learning đầu tiên nên làm gì?

Hãy chọn bài toán classification đơn giản, dữ liệu nhỏ và mô hình dễ hiểu như KNN hoặc logistic regression. Mục tiêu là nắm quy trình làm việc, không phải đạt kết quả tối đa ngay.

Machine learning Python scikit learn có khó không?

Không quá khó nếu bạn đi theo từng bước nhỏ. Scikit-learn có API khá nhất quán nên rất phù hợp để làm project đầu tiên và xây nền tảng thực hành.

Tóm tắt

Trong bài cuối này, bạn đã hoàn thành một dự án machine learning đầu tiên với scikit-learn theo đúng flow cơ bản: nạp dữ liệu, chia train/test, huấn luyện mô hình, dự đoán và đánh giá. Sau 20 bài, bạn đã có nền tảng tốt về khái niệm, mô hình cơ bản, đánh giá mô hình, clustering và quy trình thực hành. Bước tiếp theo tự nhiên nhất là chọn một dataset mới và tự làm lại quy trình này từ đầu để biến kiến thức thành kỹ năng thật.