第 10 周：回归与二分类的“开山斧”
第 10 周的学习计划非常清晰！线性回归和逻辑回归确实是机器学习领域最经典的“开山斧”，掌握它们不仅是入门的基础，更是理解后续复杂算法的基石。
针对你的实操落地任务，我为你梳理了具体的实战思路与核心代码实现：
🏠 实操一：房价预测（连续值预测）
核心算法：线性回归 (Linear Regression)
业务目标：根据房屋特征（如房间数、面积等），预测一个具体的金额。这属于典型的回归问题，模型的输出是连续的数值。
关键步骤与代码示例：
- 数据准备：加载加州房价或波士顿房价数据集，划分训练集与测试集。
- 模型训练：使用
sklearn的LinearRegression拟合数据，寻找最佳趋势线。 - 模型评估：由于目标是预测具体数值，我们需要衡量预测值与真实值的差距。常用的指标包括MSE（均方误差）、RMSE（均方根误差）、MAE（平均绝对误差）以及 R² 分数。
python
1from sklearn.model_selection import train_test_split 2from sklearn.linear_model import LinearRegression 3from sklearn.metrics import mean_squared_error, r2_score 4 5# X: 房屋特征矩阵, y: 目标房价 6X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) 7 8# 实例化并训练模型 9model = LinearRegression() 10model.fit(X_train, y_train) 11 12# 进行预测 13y_pred = model.predict(X_test) 14 15# 计算 MSE 和 R² 分数 16mse = mean_squared_error(y_test, y_pred) 17r2 = r2_score(y_test, y_pred) 18print(f"均方误差(MSE): {mse:.2f}") 19print(f"R²分数: {r2:.2f}")✉️ 实操二：学生成绩及格预测（基础分类）
核心算法：逻辑回归 (Logistic Regression)
业务目标：根据出勤率、作业分数，预测期末是否及格（0或1）。虽然名字带“回归”，但它本质上是解决二分类问题的统计学习方法。
核心原理：
它利用线性模型计算出分值后，通过Sigmoid 函数将输出压缩到 0~1 之间，表示属于某一类别的概率。通常设定阈值为 0.5，大于等于 0.5 判定为及格(1)，否则为不及格(0)。
关键步骤与代码示例：
- 模型训练：使用
LogisticRegression学习特征与及格标签之间的概率映射关系。 - 模型评估：对于分类问题，我们不再看 MSE，而是关注准确率 (Accuracy)，即模型预测正确的样本占总样本的比例。
python
1from sklearn.linear_model import LogisticRegression 2from sklearn.metrics import accuracy_score 3 4# X: 学生特征(出勤、作业分等), y: 是否及格(0或1) 5X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) 6 7# 实例化并训练模型 8log_reg = LogisticRegression() 9log_reg.fit(X_train, y_train) 10 11# 进行预测 12y_pred = log_reg.predict(X_test) 13 14# 计算准确率 15accuracy = accuracy_score(y_test, y_pred) 16print(f"模型准确率(Accuracy): {accuracy:.2%}")💡 学习小贴士：在跑通这两个项目时，你可以尝试观察一下：当你在房价预测中引入更多特征时，MSE 是否在下降？在学生成绩预测中，如果某位同学作业分数极高但缺勤严重，模型给出的及格概率是多少？这种对数据的直观感受，正是 AI 工程师的核心素养。祝你本周实操顺利！