机器学习教程 – 自学教程

适合零基础入门，带你搞懂机器学习是什么、核心要素，通过可运行代码直观感受机器学习完整流程。

一、什么是机器学习

机器学习（Machine Learning）是人工智能（AI）的重要分支，核心思想是让计算机利用数据与算法，从经验中自动学习，不断提升自身性能，而不是完全依靠人写死全部规则。

简单理解：机器从大量数据里找规律，然后依靠学到的规律完成决策、预测任务。

如今机器学习已经落地到大量场景：短视频/电商推荐系统、图像识别、语音转文字、金融风险分析、自动驾驶等。
举个自动驾驶例子：机器通过海量行车数据，学会识别交通标志、行人、障碍物，实现辅助驾驶功能。

二、机器学习 vs 传统编程

很多初学者分不清传统编程和机器学习，一张表看懂两者差异：

传统编程	机器学习
程序员手动编写明确业务规则	计算机从海量数据中自动学习生成规则
适合问题简单、逻辑规则清晰的场景	适合关系复杂、很难人工写全规则的场景
示例：实现计算器程序	示例：垃圾邮件自动识别程序

传统编程逻辑：输入数据 + 人工写的规则 → 输出结果
机器学习逻辑：输入数据 + 已知结果 → 学习得到模型（内含规则）→ 对新数据输出预测

三、机器学习三大核心要素

做机器学习项目离不开三样东西：数据、算法、模型，三者缺一不可。

1. 数据 —— 机器学习的燃料

数据质量与数量，直接决定模型最终效果。

训练数据：用来给模型学习规律的样本数据；
测试数据：训练完成后，用来检验模型学得好不好的数据；
真实数据：上线之后，现实业务中源源不断输入给模型的全新未知数据。

2. 算法 —— 学习的方法

算法是机器学习的方式，不同算法适配不同业务问题，主要分为三大类：

监督学习：样本带有标准答案，模型学习输入与输出之间的对应关系；
无监督学习：样本没有标准答案，机器自己挖掘数据内在分组、隐藏规律；
强化学习：依靠不断试错，通过奖励、惩罚机制迭代优化行为策略。

3. 模型 —— 学习产出的结果

可以类比学生学习之后掌握的知识。

训练过程：算法读取数据，从中挖掘内在规律；
推理（预测）过程：拿训练完毕的模型，对全新的数据输出预测结果。

四、实战案例：线性回归预测房价

下面用 Python + scikit‑learn 实现机器学习入门示例：根据房屋面积预测房价，完整复现机器学习标准流程：准备数据 → 选择算法 → 训练模型 → 预测新数据 → 可视化结果。

完整代码

# 导入需要的库
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
import seaborn as sns

# 设置图表风格
sns.set_style("whitegrid")

# -------------------------- 设置中文字体 start --------------------------
plt.rcParams['font.sans-serif'] = [
    # Windows 优先
    'SimHei', 'Microsoft YaHei',
    # macOS 优先
    'PingFang SC', 'Heiti TC',
    # Linux 优先
    'WenQuanYi Micro Hei', 'DejaVu Sans'
]
# 修复负号显示方块问题
plt.rcParams['axes.unicode_minus'] =False
# -------------------------- 设置中文字体 end --------------------------

# 1. 准备数据
# 房屋面积（平方米）
house_sizes = np.array([50, 60, 70, 80,90, 100, 110, 120]).reshape(-1, 1)
# 房屋价格（万元）
house_prices = np.array([150, 180, 210,240, 270, 300, 330, 360])

# 2. 创建并训练模型
# 创建线性回归模型
model = LinearRegression()
# 传入数据训练，学习面积和价格的映射关系
model.fit(house_sizes, house_prices)

# 3. 使用模型做预测
# 预测85㎡房子的价格
predicted_price = model.predict([[85]])
print(f"85 平方米的房屋预测价格：{predicted_price[0]:.2f} 万元")

# 4. 可视化结果
plt.scatter(house_sizes, house_prices, color='blue', label='实际数据')
plt.plot(house_sizes, model.predict(house_sizes), color='red', label='预测线')
plt.scatter([85], predicted_price, color='green', s=100, label='预测点')
plt.xlabel('房屋面积（平方米）')
plt.ylabel('房屋价格（万元）')
plt.title('机器学习测试 -- 房屋面积与价格关系')
plt.legend()
plt.grid(True)
plt.show()

运行输出

85 平方米的房屋预测价格：255.00 万元

案例解读

这个小例子完整演示机器学习的标准工作链路：

准备数据：整理房屋面积、对应的真实房价；
选择算法：选用线性回归算法；
训练模型：fit() 方法，让机器学习面积与房价的数学关系；
推理预测：调用 predict()，对从未见过的85㎡房屋输出价格预测。

可视化图表：蓝色圆点是历史真实样本，红色直线就是模型学到的拟合关系，绿色圆点就是85㎡房屋的预测结果。

五、本篇小结

机器学习属于AI分支，核心是从数据中学习规律，而非全部人工写死规则；
和传统编程最大区别：规则不是人写，而是数据+算法自动生成；
三大基础要素：数据、算法、模型；
基础工作流程：准备数据 → 选算法 → 训练模型 → 评估 → 预测新样本。