一、传统编程：把规则写进去

学习之前,我们来看 传统编程 是怎么运行的

这也被称为：硬编码，程序员把规则写进去，机器按规则执行

但是,如果规则太过复杂,复杂到程序员自己都说不清楚了,怎么办?

比如:你来形容 鸟

鸟有两条腿,坤也两条腿鸟嘴巴是尖的,坤也是尖的鸟有两翅膀,坤也是两翅膀

试图一直用规则穷举下去,会发现永远写不完,我们为什么能一眼看出来?只是我们见得多了,靠直觉,而不是靠规则

所以机器学习的核心思路：让机器自己从数据里 总结规则

一张图看清区别

二、监督学习：从数据里总结规律

学习也分多种，其中 监督学习 是最常用的

可能不太理解,画个图辅助一下

然后算法反复去看 数据 和 答案，不断调整自己内部参数，直到对大多数样本都能猜对为止，这个过程叫 迭代

每次猜错就微调一次，这个叫做 最小化误差

到这里看一下基本流程

那么机器是如何知道自己猜错了,并且往哪个方向调整的?

首先

答案是一开始就已经放在数据里面,在训练的时候,机器自动拿自己预测的去对比答案

其次,出现误差的处理步骤:

算出当前误差算出误差对每个参数的斜率朝正确答案方向微调参数重复,直到答案正确

这个过程，叫做 梯度下降

为什么每次都是 微调 ?因为调太多,可能直接跳过 答案

那如果这个 微调 调的特别小,模型最后能训练好吗?

理论来说,可以,但是会导致训练时间、算力、电力等等消耗量极大,并且可能永远训练不完

三、SVM：找分类边界

假设你要把两类东西分开

你需要画一条线,把两类东西给分开

问题是,分开的线可以有无数条,如何去选择最好的那一条?

简单来说:你需要找到一条距离两边差不多相同的线

margin：间距，也叫缓冲带支撑向量:在 缓冲带 边缘的点, 决策边界 的位置,完全由这几个点决定

那如果出现下面这种，混在一起，根本画不出一条直线的怎么办

代码语言：javascript

复制

*。 *。 *。 *。 *。*。 *。 *

四、核函数：把不可分的问题搬到高维

核函数:把数据搬到高维空间的函数

一维困境：

用二维解决：

二维混乱时,就用三维解决

以上面的二维举例,把 * 的 z 轴提高,就好了

五、交互模式与 Anaconda

首先,现在用的是 Python 交互模式,为什么会是 Python ?

之前做 数据分析 主要用的是 Matlab 和 R,转折点在 2000 年

对比之前普通写程序的方式

普通写程序:

代码语言：javascript

复制

写完这个文件(可能100行代码)->运行(一次性)-> 看结果(是否正确)如果出错,也不知道是哪行错了,重新跑

交互模式:

代码语言：javascript

复制

输入一行 -> 立马看到结果 -> 再输入下一行>>> x = 5>>> x * 315>>>

三个实用特性:

输变量名能直接看值,不需要print()逐行调试,随时检查中间结果上下键调出历史命令

Anaconda：解决版本冲突

Anaconda:简单来说,解决版本冲突的,使环境各自独立,互不干扰

代码语言：javascript

复制

Anaconda环境A（Python 3.8 sklearn 0.24）← 项目A用这个环境B（Python 3.11 sklearn 1.3）← 项目B用这个环境C（Python 3.9 tensorflow）← 深度学习用这个

六、数据集从哪来

一直在说数据集,那数据集怎么来的?数据长什么样?

1990年,NIST 收集了大量手写数据用于邮政编码识别,邮局需要机器自动读取信封上的数字,我们用的 digits 数据集就是它的精简版,1797张图,每张 8 x 8 像素

一张 8 x 8 的手写 0,

0 = 白16 = 黑

画出来之后

数据的结构

用 train_test_split() 自动完成切分 训练集 和 测试集

为什么要切分 训练集 和 测试集 ?

训练集就像练习题,而测试集则是考试,如果你那测试集训练,就像提前把考试卷子做了很多遍,再去考. 这不就学会了,这叫背答案,这个背答案也被叫做 过拟合

那么问题来了, train_test_split()切分的时候,是随机切还是顺序切?

这里有个知识点补充一下,无论是随机切还是顺序切,图都不会重复,不存在训练集里面出现测试集的题目

如果按顺序切,假设数据集是按顺序排列的,最终切出来的

代码语言：javascript

复制

[1,2,3,4,5,6,7,8,9,10]

那么他只训练前面的 1 - 8 ,后面的 9,10 则不会抽到,测试时,完全没见过 9 ,10,所以测试分数会比较低

按照随机切,最终切出来

代码语言：javascript

复制

[1,3,5,7,9,2,4,6,8,10]

它就能训练到所有的数据,测试分数才有意义

reshape：把一维数据还原成二维图像

训练之前,我们要先亲自确认,标签的答案和图像长得是否一样

机器存储数据的方式为:

代码语言：javascript

复制

digits.data[0] = [0,0,5,13 ...]共64个数

但这是一维的,图片是二维的,一维我们无法去判断,这时就需要 reshape

reshape(8,8)

代码语言：javascript

复制

第一行: [0,0,5 ... ,0]共八个数...第八行: [0,0,6 ... ,0] 8 x 8 = 64

imshow():把数字变成颜色

0 -> 白8 -> 灰16 -> 黑

用代码展示:

代码语言：javascript

复制

//选索引index = 100//取出数据image = digits.data[100]label = digits.target[100]//折叠,展示image_2d = image.reshape(8,8)plt.imshow(image_2d)plt.title(f"标签:{label}")plt.show()

而且不能只看一看,要多看几张图,这也叫做 探索性数据分析(EDA),目的是 提前预判模型会在哪里出错

训练流程

总结一下上面的流程

第一步:导入工具

代码语言：javascript

复制

from sklearn.datasets import load_digitsfrom sklearn.model_selection import train_test_splitfrom sklearn.svm import SVCfrom sklearn.metrics import accuracy_scoreload_digits 数据集train_test_split 切分工具SVC SVM分类工具accuracy_score 评分工具

第二步:加载数据并切分

代码语言：javascript

复制

digits = load_digits()X_train, X_test, y_train, y_test = train_test_split( digits.data, digits.target)

切分后:

x_train 1300张图y_train 1300 对应标签x_test 450张图y_test 450对应标签

第三步:创建模型并训练

代码语言：javascript

复制

model = SVC()model.fit(X_train,y_train)

第四步:预测并评估

代码语言：javascript

复制

y_pred = model.predict(X_test)print(accuracy_score(y_test, y_pred))

predict():经过 SVM 决策函数,输出的结果

代码语言：javascript

复制

输入:[0,0,4,5,9...] 一张没见过的图经过SVM决策函数输出:"1"

accuracy_score:判断准确率

代码语言：javascript

复制

y_pred = [1,2,3,4,5,...] 模型猜的y_test = [1,2,3,4,6,...] 正确答案准确率 = 猜对的数量 / 总数 = 4 / 5 ≈ 0.8

上面的流程简单来说,就如图

这也是监督学习的通用骨架, 换掉 SVC(),填入其他算法,其余步骤也完全不用变

七、交叉验证：看模型稳不稳

核心思路:杜绝偶然事件,采取考多次,取平均

代码语言：javascript

复制

from sklearn.model_selection import cross_val_scoremodel = SVC()scores = cross_val_score(model, digits.data, digits.target, cv=3)print(scores) #[0.96, 0.98, 0.97]print(scores.mean())#0.97cv 就是测试多少次scores 代表多次测试出来各自的准确度scores.mean() 代表各自准确度的平均值

如何去判断模型是否有问题,其中一个方法就是看测试数据

代码语言：javascript

复制

情况1:scores = [0.97,0.98,0.99]mean = 0.97 波动小,稳定情况2:scores = [0.60, 0.98, 0.95]mean = 0.84 波动大,不稳定

总结

最后，如果只用一句话去理解机器学习，那就是：机器学习不是把规则一条条写死，而是让机器从数据里自己总结规律。

前面讲到的监督学习、梯度下降、SVM、核函数、交互模式、Anaconda、数据集、reshape 和 交叉验证，其实都在回答同一个问题：怎么让模型更容易学、学得更稳，也更方便验证结果。

所以这章真正想传达的，不是某一个具体算法，而是机器学习的基本思路：先用数据喂给模型，再用误差去调整模型，最后用测试和交叉验证确认它到底学得怎么样。

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。原始发表：2026-06-26，如有侵权请联系[email protected] 删除