AI 入门第 20 讲:AI 怎样从例子中发现规律?分类、回归与训练测试
有的模型回答“属于哪一类”,有的模型预测“具体是多少”。今天我们亲手调节分类阈值与线性回归直线,体验梯度下降自动寻优,并揭秘为什么模型会在没见过的新题上犯错(过拟合)!
🤖 故事开场:小星的两张任务卡
小乐给机器人小星布置了两个任务:① 根据水果重量判断它属于“小果”还是“大果”;② 根据学习时间预测练习题得分。小星很快发现,第一个任务的答案是离散的类别(Category),而第二个任务的答案是连续的数值(Number)!
分类 Classification
预测离散的类别标签,例如“猫 / 狗”“正常 / 垃圾邮件”。
回归 Regression
预测连续变化的数值,例如明天气温、路程耗时、房屋价格。
训练与测试
用训练数据学习规律,再用未参与训练的测试数据检验真实效果。
第一章:实验 01 · 分类还是回归——先认清问题,再选择算法
切换下方任务,判断模型应该输出“离散类别(分类)”还是“连续数值(回归)”。
👆 小窍门:看输出是有限的几个类别,还是连续可变的数字。
第二章:实验 02 · 分类边界实验室——改变阈值,机器怎样分类?
用重量训练一个阈值分类器:重量小于阈值预测为“小果”,大于等于阈值预测为“大果”。
图例说明:天蓝色圆点代表真实标签“小果”,橙色圆点代表真实标签“大果”;实心点为训练样本,空心圆环为测试样本,紫色竖线为当前分类阈值。
第三章:实验 03 · 回归线调音台——一条直线能预测多少?
假设预测公式为:预测得分 = 斜率 × 学习时间 + 截距。亲手调节两个参数,让直线尽量贴近样本点!
注:这里使用均方误差(MSE)衡量预测值与真实值的平均平方偏差——MSE 越小,说明直线在这些样本上的拟合越贴近。
第四章:实验 04 · 让计算机自动找规律——梯度下降微调参数
刚才由你手动调参;现在点击按钮,让计算机运行真实的梯度下降(Gradient Descent)自动减小误差!
第五章:实验 05 · 训练成绩 vs 新题成绩——考试不能只做背过的题
对比三种不同复杂度的模型在训练集(实心蓝点)与独立测试集(空心橙点)上的误差表现:
过于复杂的模型会把训练样本里的偶然噪声波动也死记硬背下来,导致训练误差几乎为 0,但在没见过的新测试题上误差暴增!这就是为什么必须用独立的测试集检验模型。
第六章:实验 06 · 新样本挑战——让模型回答没见过的问题
使用你在实验 03 设定的直线参数,预测一个新的学习时间,并观察超出训练范围(1–5 小时)时的外推风险。
👆 拖动滑块选择时间并点击“预测新样本”。
第七章:一次完整的机器学习实验全景图
从明确问题类型到独立测试泛化能力的六个标准步骤。
① 分类预测离散类别,回归预测连续数值——先认清问题性质,才能选对建模方法;
② 模型通过调整参数来减小损失函数(如均方误差 MSE),梯度下降是自动更新参数的常用方法;
③ 训练集表现好不等于泛化能力强,必须防范过拟合并用未参与训练的独立测试集检验!
第八章:规律发现家 · 6 题闯关挑战
完成下面 6 道单选题,点亮你的“规律发现家”徽章!
第九章:毕业任务——设计一个能预测结果的校园 AI
为学校设计一个小型预测系统:它属于分类还是回归?用什么特征?怎样划分训练与测试数据?预测错了怎么办?
• 任务类型:预测明天全校借出多少本图书(连续数值),属于回归任务。
• 输入特征:过去几周每天的借阅册数、星期几、是否临近阅读节活动、当天天气。
• 训练与测试划分:按时间先后顺序划分(用前两个月数据训练,最近两周数据独立测试),严禁偷看未来数据。
• 应用边界与隐私:预测结果仅用于帮图书管理员安排值班同学人数,绝不记录或预测任何同学个人的借阅隐私。
🏆 AI 入门第 20 讲 · 核心知识打卡台
🌱 建模探索学徒已掌握:0 / 5 个核心知识点(点击下方卡片点亮勋章)