🚀 CODING4KIDS · AI 零基础互动教程 · AI 入门系列

AI 入门第 19 讲:数据是 AI 的学习材料——样本、标签、特征与数据质量

为什么同样的机器学习算法,换一批数据就可能表现天差地别?今天我们亲自制作训练集、解剖样本卡片、纠正错误标签、排查数据偏差与泄漏,成为一名合格的 AI 数据侦探!

👶 建议年龄:9–15 岁 🧪 6 个可操作数据实验 🏅 6 道自动评分闯关题 🛡️ 本地安全运行

🤖 故事开场:小星的水果分类器闹笑话了

小乐给机器人小星看了十几张水果照片,小星很快学会了分辨苹果和橘子。可是第二天,小星竟把一颗绿色苹果认成了橘子!小乐检查数据才发现:训练时给小星看的苹果几乎全是红色的。小星挠挠头说:“原来我学到的只是颜色,不是水果真正的全部特点!”

💡 核心追问:上一讲我们认识了监督学习、无监督学习和强化学习。今天我们深入探究:机器学习究竟从什么材料里学习?这些材料如果出问题,为什么会让 AI 学歪?

📦 样本 Sample

一个具体的学习例子,如一张水果照片、一封邮件或一次传感器测量。

🏷️ 标签 Label

监督学习中希望模型预测的目标答案,如“苹果”或“橘子”。

🔎 特征 Feature

用于描述样本属性的信息,如颜色、重量、长度或图像像素。

🧹 数据质量

数据是否准确、完整、具有代表性,以及是否存在错误与偏差。

⚠️ 防误解提醒:数据越多不一定越好!如果塞进大量重复、标错答案或只偏向单一场景的数据,反而会让模型学到错误规律。
01

第一章:实验 01 · 数据卡片解剖室——一条训练数据由什么组成?

选择水果样本,观察它的特征(Feature)和标签(Label),再修改颜色特征看看变化。

注:真实图像分类模型往往直接从像素矩阵中提取深层视觉特征,不一定需要人工手动填写“颜色”文字表格。

02

第二章:实验 02 · 最近邻训练场——自己添加样本,看看分类结果怎样变

这里运行一个真实的 1-NN(最近邻)分类器:新水果会被归为“重量最接近的训练样本”所在的类别。

样本编号特征:重量标签:类别操作
165 g

⚠️ 实验启示:这里只用“重量”一个特征,当然不足以在现实中区分所有苹果和橘子。本实验的核心是直观看到:模型的预测结果直接取决于训练样本与所选特征!
03

第三章:实验 03 · 错误标签侦探——把一个答案贴错,会发生什么?

下方训练集规则是:数字小于 5 标为“小”,大于等于 5 标为“大”。点击任意按钮可翻转标签制造错误!

👆 点击上方训练样本按钮故意贴错几个标签,再点击“测试 10 道新题”看看准确率怎样下降!

04

第四章:实验 04 · 数据偏差实验室——为什么只学红苹果,认不出绿苹果?

拖动滑块调整训练集中绿色苹果样本的占比,观察代表性不足如何影响不同群体的识别表现。

🍎 红苹果示意得分
—
🍏 绿苹果示意得分
—

注:上方得分由教学公式生成,用于演示“训练集覆盖范围与代表性”概念。现实中模型表现还受样本质量、特征分布与训练方式综合影响。

05

第五章:实验 05 · 数据泄漏侦探——考试前偷看答案,分数还可信吗?

机器学习必须用未参与训练的独立测试集检验效果。比较下面两种考试方式的区别:

👆 选择测试方式并点击“开始模拟考试”。

🌟 什么是数据泄漏(Data Leakage)?
如果测试集中混入了训练样本(或者同一物品在相同背景下连拍的近似照片同时放进了训练集和测试集),考试分数就会虚高,严重高估模型面对真实新环境时的泛化能力!
06

第六章:实验 06 · 数据清洗与质量诊断——发现重复、缺失和异常数据

扫描下方小型数据表,选择不同的清洗规则,观察重复记录、缺失值与异常值是如何被处理的。

编号水果名称重量 (g)诊断备注

⚠️ 工程师经验:“异常值”不一定是录入错误(也许真有一颗特大号水果),“缺失值”也不一定应该一删了之。真实数据清洗必须结合数据来源与具体业务谨慎核查!
07

第七章:一份数据怎样变成 AI 的学习材料?

串联从收集原始数据到独立测试评估的完整六步流程。

📥 1. 收集数据➡️ 🧹 2. 检查质量➡️ 🏷️ 3. 特征与标签➡️ ✂️ 4. 划分数据集➡️ ⚙️ 5. 训练模型➡️ 🧪 6. 独立测试
🌟 进阶必读:训练集、验证集、测试集有什么区别?
• 训练集(Training Set):用来让模型学习规律和参数;
• 验证集(Validation Set):用来挑选模型结构或调节超参数;
• 测试集(Test Set):留到最后独立检验模型在未见新数据上的泛化表现。

📌 今天记住这三句话:
① 样本是例子,特征用来描述例子,标签是监督学习希望预测的目标答案;
② 错误标签、重复记录、缺失值和缺乏代表性的偏差数据都会影响 AI 的学习效果;
③ 测试集必须保持独立,只有在未见过的新数据上表现好,模型才具备真正的泛化能力!
08

第八章:AI 数据侦探 · 6 题闯关挑战

完成下面 6 道单选题,赢取“AI 数据侦探”徽章!

1. 在监督学习中,数据的“标签(Label)”通常指什么?

2. 在水果分类任务中,下列哪一项可以作为样本的“特征(Feature)”?

3. 为什么训练数据里的“错误标签”会带来很大风险?

4. 如果训练数据里全是白天光线充足的照片,几乎没有夜间照片,模型可能会怎样?

5. 为什么测试集(Test Set)不应该与训练集大量重复?

6. 在数据表中遇到一个“异常值(Outlier)”时,最科学合理的做法是什么?

09

第九章:毕业任务——设计一份公平可靠的校园 AI 数据集

假设你要训练一个“校园垃圾分类识别 AI”,请规划它的样本、标签、多场景覆盖、错误检查、测试划分与隐私保护方案!

✍️ 把你的数据集设计方案写下来吧!
♻️ 参考方案:校园垃圾分类数据集
• 样本与标签:拍摄获准采集的废纸、塑料瓶、易拉罐、果皮等物品照片,标签设为对应的垃圾分类类别。
• 代表性覆盖:涵盖晴天/阴天室内外不同光线、不同拍摄角度、干净与压扁破损状态,避免单一背景偏差。
• 质量核查与防泄漏:由两名同学交叉抽查标签;同一件物品连拍的近似照片绝不同时放进训练集和测试集;拍摄时避开所有人脸、姓名贴纸与班级个人隐私信息。

🏆 AI 入门第 19 讲 · 核心知识打卡台

🌱 数据探索学徒

已掌握:0 / 5 个核心知识点(点击下方卡片点亮勋章)

✅ 1. 区分样本、特征与标签三要素
✅ 2. 明白训练样本与错误标签对预测的影响
✅ 3. 理解样本代表性不足导致的数据偏差
✅ 4. 掌握独立测试集与防止数据泄漏原则
✅ 5. 学会排查重复、缺失与异常数据
Coding4Kids 专属少儿 AI 零基础互动系列教程 · AI 入门第 19 讲 · 所有数据实验均在本地安全运行,不采集上传任何数据。

相关文章

← 返回教程列表
顶部