机器学习从零到一教程

以下是一份从零到一的机器学习实践教程，适合零基础新手快速上手。教程以中文呈现，结合理论讲解 + 代码实战 + 项目案例，帮你系统性入门机器学习（Machine Learning）。

第一部分：机器学习基础概念（第1步）

1. 什么是机器学习？

定义：让计算机从数据中学习规律，并做出预测或决策的技术。
核心任务：分类（如识别猫狗图片）、回归（如预测房价）、聚类（如用户分群）等。

2. 关键术语

特征（Feature）：数据的输入变量（如房屋面积、楼层）。
标签（Label）：要预测的目标值（如房屋价格）。
模型（Model）：从数据中学习到的数学函数。
训练（Training）：用数据调整模型参数的过程。

第二部分：环境搭建（第2步）

第三部分：第一个机器学习项目（第3步）

案例：房价预测（回归任务）

数据集：sklearn 自带的波士顿房价数据集
目标：根据房屋特征（房间数、位置等）预测房价。

代码步骤：

# 1. 导入库
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

# 2. 加载数据
data = load_boston()
X = data.data  # 特征
y = data.target  # 房价标签

# 3. 划分训练集/测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 4. 创建模型并训练
model = LinearRegression()
model.fit(X_train, y_train)

# 5. 预测与评估
y_pred = model.predict(X_test)
mse = mean_squared_error(y_test, y_pred)
print(f"模型均方误差(MSE): {mse:.2f}")

✅ 运行结果：模型输出了预测误差值，值越小越好。

第四部分：核心算法实战（第4步）

1. 分类算法：K近邻（KNN）

   from sklearn.neighbors import KNeighborsClassifier
   # 用于鸢尾花分类任务
   model = KNeighborsClassifier(n_neighbors=3)

2. 聚类算法：K均值（K-Means）

   from sklearn.cluster import KMeans
   model = KMeans(n_clusters=3)  # 将数据分为3类

3. 决策树与随机森林

   from sklearn.ensemble import RandomForestClassifier
   model = RandomForestClassifier()  # 强大的集成算法

第五部分：模型评估与优化（第5步）

评估指标

任务类型	常用指标
分类任务	准确率、精确率、召回率
回归任务	MSE、RMSE、R² 分数

避免过拟合：交叉验证

from sklearn.model_selection import cross_val_score
scores = cross_val_score(model, X, y, cv=5)  # 5折交叉验证

第六部分：深度学习初探（可选）

快速体验神经网络

使用框架：TensorFlow / PyTorch（初学者推荐Keras）

from tensorflow.keras import Sequential
from tensorflow.keras.layers import Dense

# 构建神经网络
model = Sequential([
    Dense(32, activation='relu', input_shape=(X_train.shape[1],)),
    Dense(1)  # 输出层
])

model.compile(optimizer='adam', loss='mse')
model.fit(X_train, y_train, epochs=50)