文章3：机器学习基础概念与框架实践
——从理论到代码，用Scikit-learn构建你的第一个分类模型
一、机器学习基础理论：三大核心类型
机器学习是人工智能的核心，通过数据让计算机自动学习规律并做出预测或决策。根据学习方式，可分为三类：
1. 监督学习（Supervised Learning）
- 定义：有标签的数据（输入-输出对）训练模型，预测未知数据的标签。
- 典型任务：分类（如垃圾邮件识别）、回归（如房价预测）。
- 算法示例：线性回归、决策树、支持向量机（SVM）。
2. 无监督学习（Unsupervised Learning）
- 定义：无标签数据，通过发现数据内在结构进行聚类或降维。
- 典型任务：客户分群、图像压缩。
- 算法示例：K-means聚类、主成分分析（PCA）。
3. 强化学习（Reinforcement Learning）
- 定义：通过试错，让智能体在环境中学习最优策略。
- 典型任务：游戏AI（如AlphaGo）、机器人控制。
- 算法示例：Q-learning、深度Q网络（DQN）。
二、常见机器学习算法与Scikit-learn实践
1. 监督学习：线性回归（Regression）
- 原理：找到输入特征与连续输出之间的线性关系。
- Scikit-learn实现：
from sklearn.linear_model import LinearRegression import numpy as np # 生成模拟数据 X = np.array([[1], [2], [3], [4], [5]]) y = np.array([2, 4, 6, 8, 10]
