Scikit-learn: una biblioteca Python para aprendizaje automático

Scikit-learn es una biblioteca de Python para aprendizaje automático (machine learning) que ofrece herramientas simples y eficientes para tareas como clasificación, regresión, clustering y preprocesamiento de datos. Se usa a la par de otras librerías como SciPy , Numpy y Matplotlib.

Scikit-learn provee de varios algoritmos de clasificación, regresión y análisis de grupos entre los cuales están máquinas de vectores de soporte, bosques aleatorios, Gradient boosting, K-means y DBSCAN.

Sirve para:

• Clasificación: Identificar a qué categoría pertenece un dato (ej. spam/no spam). 
• Regresión: Predecir valores numéricos (ej. precios de casas). 
• Clustering: Agrupar datos similares sin etiquetas previas. 
• Preprocesamiento: Escalar, normalizar o codificar datos. 
• Evaluación de modelos: Métricas como precisión, recall, etc.

Si no tenemos instalada la librería, la podemos instalar de esta forma:

$ pip install scikit-learn

Nota: Si no tenemos Scipy, Numpy y Matploylib debemos instalarlas.

$ pip install scipy
$ pip install numpy
$ pip install matplotlib

Verificamos que tenemos instaladas las librerías:

$ pip show scikit-learn
$ pip show scipy
$ pip show numpy
$ pip show matplotlib

Ejemplo. Clasificar tipos de flores según medidas de pétalos y sépalos. Esto usando un conjunto de datos de iris.

ejemplo.py

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

# Cargar datos
iris = load_iris()
X, y = iris.data, iris.target

# Dividir datos en entrenamiento y prueba
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Crear y entrenar modelo
model = LogisticRegression(max_iter=200)
model.fit(X_train, y_train)

# Predecir y evaluar
y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print(f"Precisión del modelo: {accuracy:.2f}")

Ejecutamos:

$ python ejemplo.py

Salida:

Precisión del modelo: 1.00

En conclusión, Scikit-learn es ideal para implementar modelos de ML de forma rápida y con buen rendimiento.

Enlaces:

https://scikit-learn.org/stable/
https://www.master-data-scientist.com/scikit-learn-data-science/
https://alquimistadecodigo.blogspot.com/2025/08/scipy-una-libreria-python-para.html
https://alquimistadecodigo.blogspot.com/2025/08/numpy-una-libreria-para-calculo.html
http://luispedro.org/software/milk
http://deeplearning.net/software/theano/
http://pybrain.org/
https://emanuelpeg.blogspot.com/2018/08/java-o-python-para-procesamiento-de.html
https://jmlr.org/papers/v12/pedregosa11a.html