（一）站稳脚：用Scikit-learn跑通第一条Pipeline

从CSV到模型，一个完整的ML项目长什么样

你装好了Python，跑通了Ollama，手上有一本《动手学深度学习》的克隆。但你可能还在想一个问题：机器学习项目，到底是怎么从零跑到尾的？

网上有大量教程教你怎么调fit()和predict()，但很少有教程把你从"有一个CSV文件"带到"训练出一个模型并知道它好不好用"。这篇就是来补这个缺的。

选一个最经典的入门数据集——泰坦尼克号。不是因为它有趣，是因为它小（只有891行）、干净（不需要分布式处理）、而且足够展示一条完整的ML Pipeline长什么样。

从Pandas开始：把数据拿过来

import pandas as pd import numpy as np import os import urllib.request from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import classification_report, confusion_matrix # 下载到本地（跨平台路径） data_dir = os.path.expanduser("~/data") os.makedirs(data_dir, exist_ok=True) file_path = os.path.join(data_dir, 'titanic.csv') if not os.path.exists(file_path): url = 'https://raw.githubusercontent.com/datasciencedojo/datasets/master/titanic.csv' urllib.request.urlretrieve(url, file_path) df = pd.read_csv(file_path) df.head()

如果你能看到五列数据——Survived、Pclass、Sex、Age、Fare——说明环境没问题。终端里应该出现这样的表格：

PassengerId Survived Pclass ... Fare Cabin Embarked 0 1 0 3 ... 7.2500 NaN S 1 2 1 1 ... 71.2833 C85 C 2 3 1 3 ... 7.9250 NaN S 3 4 1 1 ... 53.1000 C123 S 4 5 0 3 ... 8.0500 NaN S

这里有个很多人会忽略的点：先看数据长什么样，别急着建模。看看每一列有多少空值、数据类型是什么、数值分布怎么样：

print(df.info()) # df.describe()

df.info()会告诉你每一列有多少非空值：

<class 'pandas.core.frame.DataFrame'> RangeIndex: 891 entries, 0 to 890 Data columns (total 12 columns): PassengerId 891 non-null int64 Survived 891 non-null int64 Pclass 891 non-null int64 Name 891 non-null object Sex 891 non-null object Age 714 non-null float64 SibSp 891 non-null int64 Parch 891 non-null int64 Fare 891 non-null float64 Cabin 204 non-null object Embarked 889 non-null object

你会发现Age列有177个空值（891 - 714 = 177），Cabin列更是惨不忍睹（只有204个非空）。这些空值会在训练时报错，所以必须处理。

特征工程：把原始数据变成模型能消化的格式

机器学习的核心不是算法，是你怎么把原始信息变成数字。

# 选几列能用的特征 features = ['Pclass', 'Sex', 'Age', 'SibSp', 'Parch', 'Fare'] # 填充空值——用中位数比用均值更鲁棒 df['Age'] = df['Age'].fillna(df['Age'].median()) # 把性别从文字变成数字 df['Sex'] = df['Sex'].map({'male': 0, 'female': 1}) X = df[features] y = df['Survived'] X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

这一步的思考过程比代码重要：

• 为什么用中位数而不是均值填Age？因为年龄分布可能偏斜，中位数不受极端值影响。
• 为什么Sex要变成0/1？因为模型只能处理数字。
• 为什么Pclass不需要归一化？因为它是排序特征（1>2>3），树模型对尺度不敏感。

如果你不理解这些"为什么"，建议停下来，翻一下 d2l-zh 第4章（线性回归）和第5章（多层感知机）。那些公式在这里会变成"哦，原来是干这个用的"。

训练和评估：看模型实际表现

model = RandomForestClassifier(n_estimators=100, max_depth=5, random_state=42) model.fit(X_train, y_train) y_pred = model.predict(X_test) print(classification_report(y_test, y_pred))

输出大概是这样的（你的数字可能略有浮动，因为随机种子不同）：

precision recall f1-score support 0 0.78 0.88 0.83 105 1 0.79 0.65 0.71 74 accuracy 0.78 179 macro avg 0.78 0.76 0.77 179 weighted avg 0.78 0.78 0.78 179

一个不到20行代码的模型，准确率 78% 左右。这对第一个模型来说是完全正常的。

怎么看这四个指标：

• precision：模型说"这个人没活"时，78% 是对的。说"这个人活了"时，79% 是对的。
• recall：所有没活的人里，模型找出了 88%。所有活下来的人里，模型找出了 65%。
• f1-score：precision 和 recall 的调和平均，越接近 1 越好。
• support：测试集里实际的人数。这里 105 人没活、74 人活下来了。

更重要的不是分数本身，而是你理解了整个流程：读数据 → 清理 → 选特征 → 训练 → 评估。这条Pipeline在以后无论你做什么ML项目，甚至做大模型微调，都会反复出现。

现在你该做什么

跑通上面的代码之后，你有三条路可以选：

第一条：把同样的流程用在其他数据集上。

Kaggle上搜索"Titanic"的同类比赛，或者换一个更现代的数据集——比如Wine Quality、Iris。用同样的代码结构跑一遍，你会发现90%的代码不用改，改的只是数据列名和特征选择。

第二条：理解你刚用了什么算法。

随机森林是"很多棵决策树投票"——听起来简单，但里面涉及Bagging、特征随机采样、OOB评估。去 ML-From-Scratch 打开random_forest.py，你会发现核心逻辑只有几十行循环。读一遍你就能说清楚"随机森林和单棵决策树的区别是什么"——面试高频题。

第三条：了解Scikit-learn的全貌。

Scikit-learn官方文档 的中文翻译版在 sklearn-doc-zh。不用从头读到尾。遇到新问题时去搜——"怎么分训练集？"→train_test_split，"怎么调参数？"→GridSearchCV，"怎么评估分类器？"→classification_report。用多了自然记住。

验收标准：跑通了吗？

你的脚本应该能无报错地输出classification_report。逐条检查：

• df.head()显示了表格数据（5 行 x 12 列）
• df.info()中的 Age 空值已被填充（显示 891 non-null）
• X_train和X_test的行数加起来等于 891（713 + 179）
• classification_report的 accuracy 在 0.75-0.85 之间
• 没有报错ValueError: Input contains NaN——说明空值处理干净了

如果你的准确率低于 0.7，检查特征选择：是不是只用了Sex和Pclass两列？加上Age、Fare、SibSp通常能提升 5-10%。

参考项目

这条 Pipeline 涉及的工具和进一步学习资源：

d2l-zh 第4-6章 ：线性回归、MLP、模型选择的理论基础
ML-From-Scratch：读懂随机森林和决策树的纯NumPy实现
sklearn-doc-zh：Scikit-learn API的中文速查手册

三个够了。重点是把上面那条Pipeline跑通、理解、复用，而不是再去Star另外十个仓库。

这篇之后

你从"有一个 CSV 文件"走到了"训练出一个模型并知道它好不好用"。下一篇文章进入深度学习和 Transformer——从调 sklearn API 到手写一个神经网络，理解梯度下降到底在做什么，以及"Attention Is All You Need"那一张图到底在画什么。

本系列 Notebook 及配套文章：github.com/ASPIRINH/hands-on-llm

Q:pandas.read_csv报SSL: CERTIFICATE_VERIFY_FAILED？
A: 把 URL 换成本地文件。先下载 CSV：浏览器打开https://raw.githubusercontent.com/datasciencedojo/datasets/master/titanic.csv，保存为~/data/titanic.csv，然后df = pd.read_csv('~/data/titanic.csv')。

Q:classification_report出来的全是 0 的分数？
A: 检查y_test的取值分布——如果用print(y_test.value_counts())发现全是同一类，说明 train/test 切分出了问题。检查random_state=42是否写对了，或者把test_size从 0.2 改成 0.3。

Q: 准确率只有 60% 多？
A: 正常。只用 Pclass 和 Sex 两列做特征就是这样。把 Age、Fare、SibSp 都加进去（上面的代码已包含），应该能到 80% 左右。如果你加了所有特征仍然低，检查 Age 的空值有没有处理干净。

Q:ValueError: Input contains NaN, infinity or a value too large for dtype？
A: 特征里还有空值。运行df[features].isna().sum()看看哪一列还有 NaN。Titanic 的 Age 和 Cabin 都有空值——代码里只填充了 Age，如果使用了其他列也可能有空值。

Q: 运行df.head()只显示了 3 列而不是 12 列？
A: 终端宽度不够。加一行pd.set_option('display.max_columns', 20)再运行df.head()。