机器学习第三讲:监督学习 → 带答案的学习册,如预测房价时需要历史价格数据

资料取自《零基础学机器学习》
查看总目录:学习大纲

关于DeepSeek本地部署指南可以看下我之前写的文章:DeepSeek R1本地与线上满血版部署:超详细手把手指南


一、理解核心比喻:练习册与参考答案 📚

教材中的经典比喻1

监督学习就像学生使用「题目+答案」的练习册:

  • 学习阶段:对着题目做练习 → 对照答案改错 → 找到解题思路
  • 考试阶段:面对新题时能用学到的思路解答

映射到监督学习

graph TD
    A[""带答案的习题集""] --> B[""学生刷题练习""]
    B --> C[""对比答案找规律""]
    C --> D[""掌握解题方法""]
  
    style A fill:#F0E68C
    style D fill:#98FB98

二、房价预测全流程拆解 🏠(教材第三章典型案例2

通过房屋特征预测售价的完整过程:

flowchart LR
    DB["历史数据表<br>(面积|卧室数|房龄|售价)"] --> Model["模型训练"]
    Model --> |学习规律| Pattern["发现:房龄每增加1年<br>售价降2.3万"]
    Pattern --> Predict["输入新数据:<br>120㎡|3卧|房龄5年 → 预测318万"]
  
    classDef process fill:#E6E6FA;
    class DB,Predict process;

关键技术点

  1. 特征工程(Feature Engineering)
    将原始数据转化为可理解的指标(如将地址转化为"距地铁站距离")
  2. 损失函数(Loss Function)
    相当于错题本,计算预测价与实际价的差距(例如预测310万实际300万 → 记10万误差)
  3. 梯度下降(Gradient Descent)
    像学生调整解题方法,逐步减少错误(每次调整让预测误差更小)

三、深入理解训练过程 🔄

以学生数学备考类比(教材第三章训练流程解析3):

gantt
    title 监督学习的周期性迭代
    dateFormat  YYYY-MM-DD
    section 学习阶段
    做题训练       :a1, 2023-10-01, 7d
    比对答案       :a2, after a1, 2d
    总结错题规律   :a3, after a2, 3d
    section 应用阶段
    模拟考试       :b1, 2023-10-13, 2d

运行逻辑对比

学生备考机器学习模型训练
每道题有标准答案每个数据样本都有标签
错题重点复习损失函数提示误差方向
定期模拟考验证集测试泛化能力

四、实战应用与限制 🚧

  1. 经典应用场景

    • 医疗诊断(输入症状 → 输出疾病类型)
    • 股票预测(输入行情数据 → 输出明日涨跌概率)
  2. 关键限制(教材第三章注意事项4

    • 数据依赖性:新开发的市中心楼盘若历史数据不足,预测可能失准
    • 冷启动问题:没有过往成交记录的区域需要其他方法补充
    • 过拟合风险:像学生死记硬背习题答案,遇到变形题就出错

五、算法选择策略 ⚖️

针对不同问题规模选择工具(教材第三章方法选型指南5):

graph LR
    A["问题类型"] --> B["线性回归"]
    A --> C["决策树"]
    A --> D["神经网络"]
  
    B -->|"小数据量<br>简单关系"| E["房价预测"]
    C -->|"中等数据量<br>规则判断"| F["贷款审批"]
    D -->|"大数据量<br>复杂模式"| G["人脸识别"]

六、一句话总结监督学习本质 💎

监督学习就是让计算机通过观察大量「题目+标准答案」,自己总结出从问题到答案的解决规律,并在遇到新问题时应用这个规律做出预测(教材第三章核心定义1


目录:总目录
上篇文章:机器学习第二讲:对比传统编程:解决复杂规则场景



  1. 《零基础学机器学习》第三章第一节:"监督学习基础概念",P.89
  2. 《零基础学机器学习》第三章案例3-2:"房价预测实战",P.102-105
  3. 《零基础学机器学习》第三章第四节:"训练过程解析",P.116-118
  4. 《零基础学机器学习》第三章注意事项:"监督学习的局限性",P.135
  5. 《零基础学机器学习》第三章方法选择矩阵,P.127

kovli
13 声望7 粉丝