AI人工智能基础教程入门：从零构建你的第一个机器学习模型

1次阅读

共计 1960 个字符，预计需要花费 5 分钟才能阅读完成。

要开始 AI 开发，需要具备以下基础能力：

编程基础：Python 语法、函数定义、面向对象编程
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（导数概念）
工具链：Jupyter Notebook 使用、pip 包管理

常见监督学习算法对比：

算法类型	适用场景	数据要求
线性回归	数值预测（房价、销量）	线性关系数据
决策树	分类 / 回归（用户分群）	含离散特征的数据
神经网络	复杂非线性问题（图像识别）	大规模标注数据

推荐使用 Anaconda 创建独立环境：

conda create -n ai_starter python=3.8
conda activate ai_starter
pip install pandas scikit-learn matplotlib

注意：
– 遇到 SSL 错误时可添加 --trusted-host pypi.org --trusted-host files.pythonhosted.org 参数
– GPU 加速需要额外安装 CUDA 和 cuDNN

加载并清洗波士顿房价数据集：

# 导入基础库
import pandas as pd
from sklearn.datasets import load_boston

# 加载数据
boston = load_boston()
df = pd.DataFrame(boston.data, columns=boston.feature_names)

# 添加目标列
df['PRICE'] = boston.target

# 处理缺失值
print(df.isnull().sum())  # 检查空值
df = df.dropna()  # 本例数据集已预处理，实际项目需根据情况处理

# 特征标准化
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X_scaled = scaler.fit_transform(df.drop('PRICE', axis=1))
y = df['PRICE'].values

划分数据集并训练线性回归模型：

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression

# 划分训练集 / 测试集 (70%/30%)
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.3, random_state=42)

# 创建模型实例
model = LinearRegression()

# 训练模型
model.fit(X_train, y_train)

# 预测结果
y_pred = model.predict(X_test)

使用常见指标验证模型效果：

from sklearn.metrics import mean_squared_error, r2_score
import matplotlib.pyplot as plt

# 计算指标
mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)
print(f'MSE: {mse:.2f}, R2: {r2:.2f}')

# 可视化对比
plt.scatter(y_test, y_pred)
plt.plot([y.min(), y.max()], [y.min(), y.max()], 'k--')
plt.xlabel('True Values')
plt.ylabel('Predictions')
plt.show()

注意：
– R2 接近 1 表示模型拟合良好
– 若预测点偏离虚线需检查特征工程