Tutorial Completo Scikit-learn (sklearn) per Principianti: Guida al Machine Learning in Python

Che siate principianti assoluti o abbiate già qualche conoscenza di Python, qui troverete tutto il necessario per iniziare a lovorare con Scikit-learn (sklearn), la libreria Python più popolare e potente per il Machine Learning.. Impareremo insieme i concetti chiave della classificazione, regressione, clustering e preprocessing dei dati, il tutto supportato da codice chiaro ed esercizi pratici con soluzioni guidate. Preparatevi a trasformare la vostra curiosità in competenze concrete e a padroneggiare gli strumenti che stanno rivoluzionando ogni settore, dall’analisi finanziaria alla medicina!

🎯 Obiettivi

• Capire cos’è Scikit-learn e perché è importante.
• Imparare a usare i principali strumenti per classificazione, regressione, clustering e preprocessing.
• Esercitarsi con codice chiaro e spiegazioni passo passo.

Cos’è Scikit-learn?

• A cosa serve: Scikit-learn è una libreria Python open-source che fornisce un set completo di algoritmi e utility per compiti di machine learning supervisionato e non supervisionato. È progettata per essere coerente, efficiente e facile da usare, fungendo da ponte tra la ricerca accademica e le applicazioni industriali.
• Casi di utilizzo:
  • Classificazione: Prevedere la categoria di un’istanza (es. spam/non-spam, diagnosi medica, riconoscimento di immagini).
  • Regressione: Prevedere un valore numerico continuo (es. prezzo delle case, previsioni di borsa, stima della temperatura).
  • Clustering: Raggruppare dati simili senza etichette predefinite (es. segmentazione clienti, analisi di testo, rilevamento di anomalie).
  • Riduzione della dimensionalità: Ridurre il numero di feature mantenendo le informazioni rilevanti (es. PCA per visualizzazione o pre-elaborazione per altri algoritmi).
  • Selezione delle feature: Identificare le feature più importanti per migliorare le prestazioni del modello e la sua interpretabilità.
  • Validazione dei modelli: Stimare le prestazioni del modello su dati invisibili (es. cross-validation, split train/test).

Installazione

pip install scikit-learn

Puoi anche installarla tramite Anaconda:

conda install scikit-learn

Dataset disponibili

Scikit-learn fornisce dataset incorporati per imparare:

from sklearn.datasets import load_iris

iris = load_iris()
print(iris.keys())

Altri dataset comuni:

• load_digits()
• load_boston() (deprecato)
• load_diabetes()
• fetch_20newsgroups()

Questi dataset incorporati sono cruciali per l’apprendimento e la prototipazione rapida. Sono piccoli, puliti e non richiedono download esterni, permettendo agli utenti di concentrarsi sull’algoritmo piuttosto che sulla preparazione dei dati. iris è un classico per la classificazione, diabetes per la regressione.

Casi di utilizzo: Testare nuovi algoritmi, imparare l’API di Scikit-learn, dimostrare concetti di machine learning, debugging.

 Struttura generale di un progetto con sklearn

1. Caricamento dei dati
2. Esplorazione e pulizia
3. Preprocessing (standardizzazione, encoding, ecc.)
4. Divisione in training/test set
5. Creazione del modello
6. Addestramento (fit)
7. Predizione (predict)
8. Valutazione
9. Ottimizzazione

1️⃣ Esempio base: Classificazione con l’Iris dataset

Questo primo esempio dimostra il workflow fondamentale di Scikit-learn: caricare dati, dividerli, definire un modello, addestrarlo, fare previsioni e valutarlo. KNeighborsClassifier è scelto per la sua semplicità e interpretabilità, rendendolo ideale per i principianti. accuracy_score è una metrica di base per la classificazione.

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

# 1. Caricamento dati
iris = load_iris()
X = iris.data
y = iris.target

# 2. Divisione training/test
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 3. Modello
model = KNeighborsClassifier(n_neighbors=3)

# 4. Addestramento
model.fit(X_train, y_train)

# 5. Predizione
y_pred = model.predict(X_test)

# 6. Valutazione
print("Accuratezza:", accuracy_score(y_test, y_pred))

Accuratezza: 1.0

2️⃣ Preprocessing dei dati

A cosa serve: I dati grezzi raramente sono adatti per gli algoritmi di machine learning.

Standardizzazione (StandardScaler): Trasforma i dati in modo che abbiano media 0 e deviazione standard 1. Questo è fondamentale per molti algoritmi (es. SVM, K-Means, Regressione Lineare regolarizzata) che sono sensibili alla scala delle feature. Evita che feature con range di valori più grandi dominino il calcolo delle distanze o i pesi del modello.

Encoding di categorie (OneHotEncoder): Converte feature categoriali non numeriche (es. “rosso”, “blu”) in un formato numerico che può essere compreso dagli algoritmi. OneHotEncoder crea una nuova colonna binaria per ogni categoria unica, evitando di imporre un ordine numerico arbitrario tra le categorie.

Casi di utilizzo:

StandardScaler: Quando si usano modelli basati sulla distanza (KNN, SVM), sulla discesa del gradiente, o quando le feature hanno scale molto diverse.

OneHotEncoder: Quando si hanno feature categoriali nominali (senza un ordine intrinseco), come colori, tipi di veicoli, città.

Esempio di Standardizzazione

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

Encoding di categorie

from sklearn.preprocessing import OneHotEncoder
import numpy as np

encoder = OneHotEncoder()
X_encoded = encoder.fit_transform(np.array(["rosso", "blu", "rosso"]).reshape(-1, 1)).toarray()

3️⃣ Classificatori comuni

Una panoramica degli algoritmi di classificazione più usati.

Ogni algoritmo ha punti di forza e debolezza, e la scelta dipende dal tipo di dati, dalla complessità del problema e dalle risorse disponibili.

 

Casi di utilizzo:

K-Nearest Neighbors: Semplice, non parametrico, utile per problemi dove la similarità locale è importante.

Decision Tree/Random Forest: Utili per dati eterogenei, facili da interpretare (almeno il Decision Tree), robusti a feature non scalate.

SVM: Efficace in spazi ad alta dimensione, buono per problemi di classificazione complessi con margini chiari.

Logistic Regression: Base per problemi di classificazione binaria, interpretabile, buona linea di partenza.

Algoritmo	Classe sklearn
K-Nearest Neighbors	KNeighborsClassifier
Decision Tree	DecisionTreeClassifier
Random Forest	RandomForestClassifier
SVM	SVC
Logistic Regression	LogisticRegression

Esempio con SVM:

SVM (SVC): Potente per dati di alta dimensione e set di dati piccoli o medi. kernel='linear' indica una separazione lineare dei dati.

from sklearn.svm import SVC

clf = SVC(kernel='linear')
clf.fit(X_train, y_train)

4️⃣ Regressione

La regressione lineare è il punto di partenza per prevedere valori continui. LinearRegression modella la relazione tra le feature e il target come una funzione lineare. mean_squared_error (RMSE) è una metrica comune che penalizza maggiormente errori grandi.

Casi di utilizzo: Previsione di prezzi, previsioni meteorologiche, stima di dosi, analisi di tendenze.

from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

model = LinearRegression()
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
print("RMSE:", mean_squared_error(y_test, y_pred, squared=False))

5️⃣ Clustering con KMeans

KMeans è un algoritmo di clustering basato sulla distanza, che raggruppa i dati in k cluster. È un algoritmo non supervisionato, il che significa che non richiede etichette predefinite.

Casi di utilizzo: Segmentazione clienti, compressione di immagini, rilevamento di anomalie, analisi genetica.

from sklearn.cluster import KMeans

kmeans = KMeans(n_clusters=3, random_state=0)
kmeans.fit(X)
print(kmeans.labels_)  # etichette assegnate

6️⃣ Valutazione dei modelli

A cosa serve:

Capire quanto bene un modello si comporta su dati invisibili è cruciale.

Classificazione:

confusion_matrix: Mostra il numero di veri positivi, veri negativi, falsi positivi e falsi negativi. Fondamentale per capire gli errori specifici del modello.

classification_report: Fornisce precisione, richiamo e F1-score per ogni classe, oltre all’accuratezza complessiva. Queste metriche sono più informative dell’accuratezza semplice, specialmente su dataset sbilanciati.

Regressione:

mean_absolute_error (MAE): La media degli errori assoluti, facile da interpretare perché è nella stessa unità del target.

r2_score (R-squared): Indica la proporzione della varianza nella variabile dipendente che è prevedibile dalle variabili indipendenti. Un R2 più vicino a 1 indica una migliore adattamento del modello.

Casi di utilizzo: Ogni fase di sviluppo di un modello per monitorarne le prestazioni, comparare diversi modelli, identificare aree di miglioramento.

Esempi:

Classificazione

from sklearn.metrics import classification_report, confusion_matrix

print(confusion_matrix(y_test, y_pred))
print(classification_report(y_test, y_pred))

Regressione

from sklearn.metrics import mean_absolute_error, r2_score

print("MAE:", mean_absolute_error(y_test, y_pred))
print("R2:", r2_score(y_test, y_pred))

7️⃣ Cross-validation

A cosa serve: La cross-validation (cross_val_score) è una tecnica robusta per stimare le prestazioni di un modello in modo più affidabile rispetto a un singolo split train/test. Dividendo il dataset in più fold e addestrando il modello su diverse combinazioni, si riduce la varianza della stima della performance e si ottiene una misura più generalizzabile.

Casi di utilizzo: Qualsiasi progetto in cui è fondamentale ottenere una stima affidabile della performance del modello, specialmente su dataset di dimensioni moderate.

from sklearn.model_selection import cross_val_score

scores = cross_val_score(model, X, y, cv=5)
print("Accuratezza media:", scores.mean())

8️⃣ Grid Search (tuning degli iperparametri)

Gli iperparametri non vengono appresi dal modello durante l’addestramento, ma devono essere impostati prima. GridSearchCV automatizza la ricerca esaustiva del miglior set di iperparametri provando tutte le combinazioni possibili in una griglia definita. Questo è fondamentale per massimizzare le prestazioni del modello.

Casi di utilizzo: Ottimizzazione delle prestazioni di quasi tutti gli algoritmi di machine learning, quando si hanno risorse computazionali sufficienti per esplorare lo spazio dei parametri.

from sklearn.model_selection import GridSearchCV

param_grid = {'n_neighbors': [3, 5, 7]}
grid = GridSearchCV(KNeighborsClassifier(), param_grid, cv=3)
grid.fit(X_train, y_train)
print("Miglior parametro:", grid.best_params_)

9️⃣ Pipeline (automazione di preprocessing + modello)

Le Pipeline sono uno strumento potente per concatenare più trasformazioni e un estimatore finale in un unico oggetto. Questo garantisce che le operazioni di preprocessing (come la standardizzazione) vengano applicate correttamente a tutti i dati (training e test, ed eventuali nuovi dati), prevenendo il data leakage e semplificando il codice.

Casi di utilizzo: Quasi tutti i workflow di machine learning, dalla prototipazione alla produzione, per migliorare la robustezza, la riproducibilità e la leggibilità del codice.

from sklearn.pipeline import Pipeline

pipe = Pipeline([
    ('scaler', StandardScaler()),
    ('clf', KNeighborsClassifier())
])

pipe.fit(X_train, y_train)

🔁 Riepilogo concetti chiave

• fit() = addestra il modello
• predict() = genera previsioni
• transform() = trasforma dati (per preprocessing)
• fit_transform() = addestra e trasforma
• score() = restituisce una misura di performance