Python第十五课：机器学习入门 | 从猜想到预测
🎯 本节目标
- 理解机器学习两大核心范式（监督/无监督学习）
- 掌握特征工程的核心方法论
- 实现经典算法：线性回归与K-Means聚类
- 开发实战项目：房价预测模型
- 理解模型评估与调优基础
一、机器学习核心概念（学生与老师的比喻）
1. 监督学习 vs 无监督学习
| 类型 | 生活比喻 | 典型算法 | 输入输出 |
|---|---|---|---|
| 监督学习 | 老师提供标准答案的练习题 | 线性回归/决策树 | 特征数据 + 标签 |
| 无监督学习 | 学生自行归纳未标注的笔记 | K-Means/主成分分析 | 仅特征数据 |
2. 特征工程：数据的烹饪艺术
- 特征选择 → 挑选优质食材（如：房价预测中"面积"比"门牌号"更重要）
- 特征缩放 → 统一食材分量（如：将年龄和收入缩放到同一量纲）
- 缺失值处理 → 处理腐烂食材（如：用平均值填充缺失的楼层数）
二、监督学习实战：房价预测系统
1. 数据准备（房屋信息示例）
| 面积(m²) | 房间数 | 楼层 | 房龄(年) | 价格(万元) |
|---|---|---|---|---|
| 85 | 2 | 5 | 10 | 320 |
| 120 | 3 | 12 | 5 | 480 |
2. 线性回归模型实现
from sklearn.linear_model import LinearRegression
import numpy as np
# 样本数据（面积, 房间数, 房龄）
X = np.array([[85, 2, 10], [120, 3, 5], [95, 2, 8]])
# 标签（价格）
y = np.array([320, 480, 380])
# 创建并训练模型（类比：老师批改作业）
model = LinearRegression()
model.fit(X, y)
# 预测新数据（面积=100, 房间=3, 房龄=7）
new_house = np.array([[100, 3, 7]])
pred_price = model.predict(new_house)
print(f"预测房价：{pred_price[0]:.1f}万元") # 输出示例：预测房价：420.3万元
代码注解：
fit()：模型学习数据规律（学生听课）predict()：根据学习成果进行预测（学生考试答题）
三、无监督学习实战：客户分群
1. K-Means聚类算法
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
# 客户消费数据（年消费额, 购买频率）
data = np.array([
[2.5, 8], [3.4, 6], [1.8, 12],
[8.1, 2], [9.2, 1], [7.7, 3]
])
# 将客户分为2类
kmeans = KMeans(n_clusters=2)
kmeans.fit(data)
# 可视化结果
plt.scatter(data[:,0], data[:,1], c=kmeans.labels_)
plt.xlabel('年消费额（万元）')
plt.ylabel('月均购买次数')
plt.title('客户消费分群')
plt.show()
输出图示：
- 低消费高频次客户（左下角）
- 高消费低频次客户（右上角）
四、模型评估：考试评分体系
1. 回归模型评估指标
| 指标 | 公式 | 类比解释 |
|---|---|---|
| 均方误差（MSE） | 平均(预测值-真实值)^2 | 考试每题分差的平方平均值 |
| R²得分 | 1 - 模型误差/基准误差 | 相比盲猜的进步程度（0~1） |
2. 聚类效果评估
- 轮廓系数：衡量同一簇内紧密程度（-1~1，越大越好）
- 肘部法则：通过不同K值寻找最佳聚类数量
五、实战项目：房价预测全流程
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
# 1. 加载数据
df = pd.read_csv('house_prices.csv')
# 2. 特征处理
X = df[['area', 'rooms', 'age']]
y = df['price']
# 3. 数据标准化（特征缩放）
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
# 4. 拆分训练集/测试集（7:3比例）
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.3)
# 5. 训练模型
model = LinearRegression()
model.fit(X_train, y_train)
# 6. 评估模型
train_score = model.score(X_train, y_train)
test_score = model.score(X_test, y_test)
print(f"训练集R²：{train_score:.2f}，测试集R²：{test_score:.2f}")
# 示例输出：训练集R²：0.85，测试集R²：0.82
📚 知识图谱
机器学习三要素：
┌──────────────┬───────────────────────────┐
| 要素 | 作用 |
├──────────────┼───────────────────────────┤
| 数据 | 模型学习的原材料 |
| 算法 | 从数据中提取规律的方法论 |
| 算力 | 处理大规模计算的硬件基础 |
└──────────────┴───────────────────────────┘
模型选择指南：
| 问题类型 | 推荐算法 |
|----------------|--------------------------|
| 预测数值 | 线性回归/随机森林 |
| 分类判断 | 逻辑回归/SVM |
| 聚类分群 | K-Means/DBSCAN |
| 降维可视化 | PCA/t-SNE |
🛠️ 课后挑战
- 为房价预测添加"地理位置"特征（需先进行独热编码）
- 使用K-Means对鸢尾花数据集进行分群（sklearn.datasets.load_iris）
- 尝试用决策树模型提升预测准确率
💡 参考答案提示：
from sklearn.tree import DecisionTreeRegressor
tree_model = DecisionTreeRegressor(max_depth=3)
tree_model.fit(X_train, y_train)
🚀 下节剧透：《深度学习入门：神经网络解密》
👉 你将解锁：
- 神经元与激活函数的生物学启示
- 手写数字识别实战（MNIST数据集）
- TensorFlow/Keras核心API精讲
- 可视化神经网络训练过程