AI人工智能基础教程入门：从零搭建你的第一个机器学习模型

1次阅读

共计 1949 个字符，预计需要花费 5 分钟才能阅读完成。

在开始 AI 学习前，建议掌握以下基础知识：

数学基础：线性代数（矩阵运算）、概率统计（均值 / 方差）、基础微积分（梯度概念）
编程工具：Python 3.8+（必备库：NumPy, Pandas, Matplotlib）
英语能力：能阅读技术文档（如 Scikit-learn 官方文档）

Scikit-learn
优点：API 简洁、文档完善、适合传统机器学习算法
缺点：不支持深度学习、GPU 加速
推荐场景：结构化数据分类 / 回归任务（如本文的鸢尾花分类）
TensorFlow
优点：工业级部署支持、移动端兼容性好
缺点：静态计算图调试困难
推荐场景：生产环境深度学习项目
PyTorch
优点：动态计算图、研究社区活跃
缺点：移动端支持较弱
推荐场景：学术研究或原型开发

from sklearn.datasets import load_iris
import pandas as pd

# 加载数据
iris = load_iris()
df = pd.DataFrame(iris.data, columns=iris.feature_names)
df['target'] = iris.target

# 查看数据概况
print(df.describe())
print('类别分布:', df['target'].value_counts())

from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split

# 特征标准化（重要！）scaler = StandardScaler()
X_scaled = scaler.fit_transform(df.iloc[:, :-1])

# 划分训练集 / 测试集
X_train, X_test, y_train, y_test = train_test_split(X_scaled, df['target'], test_size=0.2, random_state=42
)

选择 SVM 而非神经网络的原因：

小样本数据（仅 150 条）
特征维度低（4 个特征）
快速验证需求

from sklearn.svm import SVC
from sklearn.metrics import classification_report

# 初始化模型
model = SVC(kernel='rbf', C=1.0, gamma='scale')

# 训练与评估
model.fit(X_train, y_train)
preds = model.predict(X_test)
print(classification_report(y_test, preds))

典型输出结果：

              precision    recall  f1-score   support

           0       1.00      1.00      1.00        10
           1       1.00      0.89      0.94         9
           2       0.92      1.00      0.96        11

    accuracy                           0.97        30
   macro avg       0.97      0.96      0.97        30
weighted avg       0.97      0.97      0.97        30

数值特征：标准化 / 归一化（如本例的StandardScaler）
类别特征：One-Hot 编码
特征组合：通过业务知识创建新特征

训练集准确率 >> 测试集准确率
使用交叉验证（cross-validation）
添加正则化项（如 SVM 的 C 参数）

import joblib

# 保存模型与 scaler
joblib.dump(model, 'iris_svc.model')
joblib.dump(scaler, 'iris_scaler.bin')

# 加载使用
loaded_model = joblib.load('iris_svc.model')

模型部署
使用 Flask/FastAPI 将模型封装为 REST API：

from fastapi import FastAPI
app = FastAPI()

@app.post('/predict')
def predict(features: list):
    scaled = scaler.transform([features])
    return {'class': int(model.predict(scaled)[0])}