第一个模型：用 scikit-learn 训练

这是什么：模型（model） = 机器从数据里学出来的"规律本体"，一份能对新数据做出预测的产物；scikit-learn 是帮你训出它的 Python 库。

为什么用：概念篇结束，再背概念也学不会写代码——本篇正式动手，训出你人生第一个模型，把"模型"这两个字变成真跑起来的结果。

如何用：先 pip install scikit-learn，再拿机器学习界的"Hello World"鸢尾花数据集，四步训出模型。

安装 scikit-learn

scikit-learn 是 Python 最经典的机器学习库，常见算法全部内置，几行代码就能训模型。命令行执行：

pip install scikit-learn

装完后在 Python 里 import sklearn 不报错就 OK（它会自动带上 numpy 等依赖）。

认识鸢尾花数据集

我们用机器学习界的"Hello World"——鸢尾花数据集练手：150 朵鸢尾花，每朵记录了 4 个特征（花萼长宽、花瓣长宽，单位厘米），分属 3 个品种之一：

任务：根据 4 个特征判断一朵花是哪个品种——典型的分类问题。

数据长这样（前 5 行）

花萼长 | 花萼宽 | 花瓣长 | 花瓣宽 | 品种
5.1    | 3.5    | 1.4    | 0.2    | setosa
4.9    | 3.0    | 1.4    | 0.2    | setosa
4.7    | 3.2    | 1.3    | 0.2    | setosa
4.6    | 3.1    | 1.5    | 0.2    | setosa
5.0    | 3.6    | 1.4    | 0.2    | setosa

四步训出第一个模型

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier

# 第 1 步：加载数据
iris = load_iris()
X, y = iris.data, iris.target   # X 是 150×4 的特征表，y 是 150 个品种编号

# 第 2 步：划分训练集和测试集（75% 刷题，25% 考试）
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.25, random_state=42)

# 第 3 步：创建模型并训练——K 近邻，找 3 个最近邻居"投票"
model = KNeighborsClassifier(n_neighbors=3)
model.fit(X_train, y_train)

# 第 4 步：预测一朵新花（花萼长5.0宽3.5，花瓣长1.5宽0.5）
new_flower = [[5.0, 3.5, 1.5, 0.5]]
pred = model.predict(new_flower)
print("预测的品种编号：", pred)
print("品种名称：", iris.target_names[pred[0]])

你会看到：

预测的品种编号： [0]
品种名称： setosa

一朵花瓣又短又窄的花，模型判断它是山鸢尾。

代码逐行解读

先说个约定俗成：大写 X 表示特征表（二维），小写 y 表示标签列（一维），全世界的教程都这么写。

记忆口诀：加载数据、划分数据、fit 训练、predict 预测——机器学习四步曲。

为什么选 K 近邻？

scikit-learn 内置了几十种算法，为什么第一个模型用 K 近邻（KNeighborsClassifier）？

• 直观："物以类聚，新花看周围最近的几朵是什么品种，自己就是什么品种"
• 无训练过程：KNN 本质上不做复杂的数学优化，fit 只是把数据存起来，预测时才计算距离，快且易懂
• 分类和回归都能用：KNeighborsClassifier 做分类，KNeighborsRegressor 做回归

当然，KNN 也有缺点：数据量大时预测慢（要跟每个训练样本算距离），对特征缩放敏感。后面章节会逐步接触其他算法。

❓ 常见问题

Q1：random_state=42 有什么意义？

它固定了随机种子。没有它，每次运行 train_test_split 都会随机划分不同的训练/测试集，导致结果每次不一样。设成 42 后，你和别人运行同样的代码，得到的划分完全一致，方便对比和调试。

Q2：n_neighbors=3 怎么选？3 是不是最好的？

不是固定的。3 是常见起始值。太小（如 1）容易过拟合（只看最近一朵，易受噪音干扰）；太大（如 50）可能把太远的花也算进去，稀释了邻居的参考价值。后面可以尝试 1、5、7、9，看测试集准确率变化。

Q3：iris.target_names[pred[0]] 这里为什么要 [0]？

model.predict 返回的是一个数组，即使只传了一朵花，结果也是 [0] 这样的列表形式。pred[0] 取出第一个（也是唯一一个）预测编号，再用它去索引品种名称。

⚠️ 新手翻车现场

翻车一：忘记划分训练集/测试集，直接在全数据上 fit 和 score

# 错误：全数据训练，全数据打分
model.fit(X, y)
print(model.score(X, y))  # 永远很高，但没参考价值

问题：这是"刷题册当考卷"，分数虚高，无法反映模型对新数据的真实表现。

修正：始终用 train_test_split 拆分，fit 用训练集，score 用测试集。

翻车二：把标签编号当连续数字做回归

# 错误：把品种编号 0、1、2 当数字，用线性回归预测
from sklearn.linear_model import LinearRegression
model = LinearRegression()
model.fit(X, y)  # y 是 0/1/2，但品种没有大小顺序

问题：品种是类别，0 不代表"比 1 小"，用回归没有意义。分类任务要用分类器（如 KNeighborsClassifier），回归任务才用回归器（如 LinearRegression）。

修正：明确任务类型，分类用分类器，回归用回归器。

📦 换皮小示例：用 KNN 做"水果分类"

把鸢尾花的套路套在水果上（特征：重量、甜度，标签：苹果/香蕉/橙子）：

from sklearn.neighbors import KNeighborsClassifier

# [重量(g), 甜度(1-10)] -> 标签：0=苹果, 1=香蕉, 2=橙子
X = [[150, 7], [160, 8], [120, 6], [180, 9], [130, 5], [110, 4]]
y = [0, 0, 0, 0, 1, 1]  # 简化示例，实际应更均衡

model = KNeighborsClassifier(n_neighbors=3)
model.fit(X, y)

# 预测一个新水果：重量 140g，甜度 7
pred = model.predict([[140, 7]])
print("预测品种编号：", pred)

🎯 什么时候用 K 近邻

• 数据量不大（千级到万级）
• 特征之间没有复杂的非线性关系
• 需要模型结果容易解释（"最近邻投票"很直观）
• 做分类或回归的基准对比（先用 KNN 跑个底，再换复杂模型）

📝 本章小结

• 机器学习四步曲：加载数据 → 划分训练/测试集 → fit 训练 → predict 预测
• 大写 X 是特征表，小写 y 是标签列
• random_state=42 固定随机种子，保证结果可复现
• KNN 原理直观：周围 3 朵最近的花是什么品种，自己就是什么品种
• 分类用分类器，回归用回归器，别混
• 记忆口诀：加载数据、划分数据、fit 训练、predict 预测——机器学习四步曲。

动手改

1. 把 n_neighbors 改成 1 或 7，预测结果变了吗？
2. 预测另一朵花 [6.5, 3.0, 5.5, 2.0]，看看是什么品种（提示：花瓣又长又宽）
3. 加一行 print(X_train.shape, X_test.shape)，看看训练集和测试集各有多少朵花
4. 尝试把 KNeighborsClassifier 换成 from sklearn.tree import DecisionTreeClassifier 的决策树，看准确率差异

下一章：模型评估，这个模型到底几分？学会给模型打分 🐸