生活化例子
- 数据预处理 - 就像烹饪前要洗菜切菜，数据需要清洗和整理才能使用
- 模型训练与评估 - 类似教孩子认动物：先看带标签的图册（训练），再测试新图片识别能力（测试）
- 过拟合与欠拟合 - 像考试作弊（死记硬背训练题）和没复习（完全不会新题）的极端情况
概念讲解
- 监督学习（材料3[3]）
- 使用带标签的数据训练模型，就像老师批改作业时会告诉学生正确答案。常见应用：房价预测、垃圾邮件分类
- 数据划分（材料1[1]）
- 通过
train_test_split将数据分为训练集（教材）和测试集（模拟考卷），防止模型作弊。典型划分比例是7:3或8:2
- 模型泛化能力（材料4[4]）
- 模型处理新数据的能力，好比学生在真实考场中的发挥水平。评估指标包括准确率、召回率等
- 特征工程（材料5[5]）
- 将原始数据转化为有效特征的过程，类似把食材加工成适合烹饪的形态。例如将日期分解为星期、季节等特征
- 正则化（材料4[4]）
- 防止模型过拟合的技术，相当于给模型戴"紧箍咒"。常用方法包括L1正则化（特征筛选）和L2正则化（权重限制）
简单记法
- 数据三部曲：分（分割数据）→ 训（训练模型）→ 测（测试评估）（对应材料1代码结构）
- 学习类型口诀："监工无家可归" → 监督学习、工程应用、无监督学习、强化学习、生成式AI（材料3[3]）
- 过拟合识别：训练高分测试低，模型可能背题库（材料4[4]）
图示
参考资料
2.【机器学习】机器学习的基本知识点（包括背景、定义、具体内容、功能、使用场景、操作、未来发展和常见算法）-csdn博客
3.什么是机器学习？ | Machine Learning | Google for Developers