珠海外贸网站建设济南房产网官网首页
1. 什么是机器学习？
想象你在教一个小朋友认猫：
-
传统编程：你写一本《猫的100条特征手册》（比如有胡须、尖耳朵），让计算机对照检查。
-
机器学习：你直接给计算机看1000张猫和狗的图片，让它自己总结猫长什么样。
👉 核心：计算机从数据中自己找规律，而不是靠人硬编码规则。
2. 算法的“学习方式”分类
(1) 监督学习（有参考答案）
-
场景：像老师批改作业，数据带“正确答案”（标签）。
-
例子：预测考试成绩
-
输入：学习时间、游戏时间、睡眠时间
-
输出：考试分数（标签）
-
-
典型算法：线性回归（预测分数）、决策树（判断是否及格）
-
(2) 无监督学习（自己找规律）
-
场景：像让计算机自己整理杂乱的书桌，数据没有标签。
-
例子：超市顾客分组
-
输入：购买记录（没有预设类别）
-
输出：自动发现“宝妈群”“游戏宅群”等
-
-
典型算法：K-means聚类（分群）、PCA（降维，类似“删掉冗余信息”）
-
(3) 强化学习（试错拿奖励）
-
场景：像训练小狗，做对了给零食，做错了不鼓励。
-
例子：AI玩贪吃蛇
-
行为：左转/右转
-
奖励：吃到苹果+1分，撞墙-1分
-
目标：学会高分策略
-
-
3. 算法举例：用“挑西瓜”理解
假设我们要选一个甜西瓜：
-
决策树：
-
问题1：纹路深吗？深→继续问，浅→不甜
-
问题2：敲声闷吗？闷→甜，脆→不甜
（像一连串的“如果...就...”问题）
-
-
神经网络：
-
模仿人脑，同时考虑纹路、颜色、重量、产地…
-
可能发现“纹深+蒂部凹陷”的组合最甜（自动学复杂规律）
-
-
K近邻（KNN）：
-
看看隔壁老王买的5个相似西瓜，如果4个甜，就猜这个也甜
（“近朱者赤”算法）
-
4. 为什么需要这么多算法？
-
数据不同：
-
有标签？用监督学习。
-
只有模糊数据？用无监督学习。
-
-
问题复杂度：
-
简单规律（比如房价和面积线性相关）→ 线性回归
-
复杂规律（比如人脸识别）→ 深度神经网络
-
5. 机器学习 vs 背公式？
-
不是死记硬背：模型要在新数据上表现好（比如学了猫的特征后，能认出网红猫“橘座”）。
-
避免“学傻了”：如果只给计算机看黑猫，它可能以为所有猫都是黑色的——这叫过拟合（考试满分但实际应用崩盘）。
6.python演示简单的机器学习
pip install numpy matplotlib scikit-learn
import numpy as np
import matplotlib
matplotlib.use('TkAgg')
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression# 设置随机种子（保证每次运行数据一致）
np.random.seed(42)# 生成数据：面积在30~100㎡，价格加入随机噪声
areas = np.random.randint(30, 100, 20)
prices = 1.5 * areas + 30 + np.random.normal(0, 10, len(areas))# 打印前5条数据for a, p in zip(areas[:5], prices[:5]):print(f"{a:6} | {p:.1f}")# 将数据转为二维数组（sklearn要求）
X = areas.reshape(-1, 1) # 输入特征（面积）
y = prices # 输出标签（价格）# 创建模型并训练
model = LinearRegression()
model.fit(X, y)# 打印学到的参数
print(f"模型公式：价格 = {model.coef_[0]:.2f} * 面积 + {model.intercept_:.2f}")# 绘制原始数据点
plt.scatter(areas, prices, color='blue', label='真实数据')# 绘制预测直线
predicted_prices = model.predict(X)
plt.plot(areas, predicted_prices, color='red', linewidth=2, label='预测模型')# 添加标注
plt.xlabel("房屋面积（㎡）")
plt.ylabel("价格（万元）")
plt.title("房屋价格预测（线性回归）")
plt.legend()
plt.grid(True)# 显示图形
plt.show()