python入门-day23:初识机器学习（python 机器学习）

初识机器学习，内容包括安装 scikit-learn、简单线性回归示例以及预测身高与体重的练习。我会详细设计一个结构化的任务，适合初学者逐步完成。

任务目标

• 掌握机器学习基础库 scikit-learn 的安装与使用。
• 理解简单线性回归的基本原理。
• 动手完成一个预测身高与体重关系的练习。

任务详情

1. 环境准备

• 安装 scikit-learn
• 打开终端或命令行，输入以下命令安装 scikit-learn：
• pip install scikit-learn
• 验证安装：创建一个 Python 文件（例如 test_sklearn.py），输入以下代码并运行：
• python
• import sklearn print("scikit-learn 安装成功，版本号：", sklearn.__version__)
• 如果没有报错并显示版本号，说明安装成功。
• 安装依赖工具（可选）
• 确保已安装 numpy 和 matplotlib，用于数据处理和可视化：
• pip install numpy matplotlib

2. 简单线性回归示例

• 任务要求：编写一个简单的线性回归模型，预测输入数据与输出数据之间的关系。
• 示例代码：
• python
• import numpy as np from sklearn.linear_model import LinearRegression import matplotlib.pyplot as plt # 模拟数据：X 是输入（例如小时数），y 是输出（例如成绩） X = np.array([[1], [2], [3], [4], [5]]) # 特征（二维数组） y = np.array([2, 4, 5, 4, 5]) # 目标值 # 创建并训练模型 model = LinearRegression() model.fit(X, y) # 预测 y_pred = model.predict(X) # 可视化结果 plt.scatter(X, y, color='blue', label='实际数据') plt.plot(X, y_pred, color='red', label='回归线') plt.xlabel('X (输入)') plt.ylabel('y (输出)') plt.legend() plt.title('简单线性回归示例') plt.show() # 输出斜率和截距 print("斜率 (slope):", model.coef_) print("截距 (intercept):", model.intercept_)
• 任务：
• 运行代码，观察散点图和回归线的拟合效果。
• 修改 X 和 y 的数据，尝试不同的值，看看回归线如何变化。

3. 练习：预测身高与体重的关系

• 任务要求：使用简单线性回归，基于身高预测体重。
• 数据准备：
• 假设你有以下简单数据集（单位：身高/cm，体重/kg）：
• 身高 (X): [150, 160, 170, 180, 190] 体重 (y): [50, 55, 65, 70, 80]
• 练习代码：
• python
• import numpy as np from sklearn.linear_model import LinearRegression import matplotlib.pyplot as plt # 数据 X = np.array([[150], [160], [170], [180], [190]]) # 身高 y = np.array([50, 55, 65, 70, 80]) # 体重 # 创建并训练模型 model = LinearRegression() model.fit(X, y) # 预测 y_pred = model.predict(X) # 可视化 plt.scatter(X, y, color='blue', label='实际数据') plt.plot(X, y_pred, color='red', label='回归线') plt.xlabel('身高 (cm)') plt.ylabel('体重 (kg)') plt.legend() plt.title('身高与体重的线性回归') plt.show() # 输出模型参数 print("斜率 (体重随身高变化率):", model.coef_) print("截距 (基础体重):", model.intercept_) # 预测新数据 height_new = np.array([[165]]) # 预测身高 165cm 的体重 weight_pred = model.predict(height_new) print("预测身高 165cm 的体重:", weight_pred[0], "kg")
• 任务：
• 运行代码，观察身高与体重的拟合效果。
• 修改数据集，添加更多身高和体重数据（至少 5 组），重新运行代码。
• 输入自己的身高，预测对应的体重，并与实际体重对比。
• 思考：如果数据点偏离直线较多，说明什么问题？如何改进？

进阶挑战（可选）

• 数据扩展：从网上搜索一个更大的身高-体重数据集（例如 CSV 文件），导入并训练模型。
• 评估模型：使用 sklearn.metrics 中的 mean_squared_error 计算预测值与实际值的误差。

学习成果

• 完成任务后，你将：
• 学会安装和使用 scikit-learn。
• 理解线性回归的基本工作原理。
• 能够用 Python 实现身高与体重的简单预测模型。

希望这个学习任务对你有帮助！如果需要进一步解释代码或调整任务难度，请随时告诉我。