监督学习入门

这是什么：监督学习（Supervised Learning） = 有答案可以对答案学：拿标好标签的样本练出规律。

为什么用：上一篇说了机器学习分三类，其中最常用、最适合入门的就是它。分类还是回归、训练集和测试集怎么划，全都要靠"特征对标签"这套基本功打地基。

如何用：本章用"根据面积和房间数预测房价"做例子，先把特征和标签拆清楚，再分清分类和回归。

特征与标签：线索与答案

监督学习的每个样本都由两部分组成：

特征（feature）：用来做判断的线索，也就是输入数据
标签（label）：要预测的标准答案，也就是人事先标好的结果

比如"根据面积和房间数预测房价"，每行数据长这样：

houses = [
    # [面积(㎡), 房间数, 价格(万元)]
    [50, 1, 200],
    [80, 2, 320],
    [100, 3, 390],
    [120, 3, 460],
]

print("面积 | 房间 | 价格(标签)")
for area, rooms, price in houses:
    print(f"{area}㎡ | {rooms}室 | {price} 万")

你会看到：

面积 | 房间 | 价格(标签)
50㎡ | 1室 | 200 万
80㎡ | 2室 | 320 万
100㎡ | 3室 | 390 万
120㎡ | 3室 | 460 万

每行前两列是特征，最后一列是标签。机器要学的，就是"从特征推出标签"的规律。

再看一个分类例子：根据花瓣长宽判断鸢尾花品种。

flowers = [
    # [花瓣长(cm), 花瓣宽(cm), 品种]
    [1.4, 0.2, "setosa"],
    [4.7, 1.4, "versicolor"],
    [5.5, 2.0, "virginica"],
    [1.3, 0.2, "setosa"],
]

for pl, pw, label in flowers:
    print(f"花瓣 {pl}×{pw} cm → {label}")

输出：

花瓣 1.4×0.2 cm → setosa
花瓣 4.7×1.4 cm → versicolor
花瓣 5.5×2.0 cm → virginica
花瓣 1.3×0.2 cm → setosa

这里特征是"花瓣长、宽"，标签是"品种"。

分类 vs 回归：标签长什么样

标签的类型决定了任务是分类还是回归：

标签是类别（几个选项里选一个）→ 分类（classification）。比如"根据花瓣长宽判断鸢尾花品种"，答案只有 setosa、versicolor、virginica 三选一
标签是连续数字（可以无限细分）→ 回归（regression）。比如房价，可以是 200 万、213.5 万……任何数

名词	通俗解释	房价例子	鸢尾花例子	垃圾短信例子
特征	判断用的线索	面积、房间数	花瓣长、花瓣宽等 4 项	短信文本、是否含链接
标签	要预测的答案	价格（数字）	品种（类别）	是/不是垃圾短信（类别）
任务类型	由标签决定	回归	分类	分类

一句话判断：要预测"是什么类"，用分类；要预测"是多少"，用回归。

训练集与测试集：刷题册 vs 考卷

收集到的数据不能全拿来学，要分成两份：

训练集（training set）：给模型学习的"刷题册"，通常占 80%
测试集（test set）：模型从没见过的"考卷"，占 20%，用来验收真实水平

为什么非要留考卷？因为模型很容易"背题"而不"学会"。用训练集自己考自己，分数只会虚高。下一章《模型评估》会专门讲怎么给模型打分。

这里先记住铁律：考试题绝不能提前刷过。

代码示例：划分训练集/测试集

from sklearn.model_selection import train_test_split

# 150 朵花的特征和标签
X = [[5.1, 3.5], [4.9, 3.0], [6.0, 3.0], [6.5, 2.8]]  # 简化示例
y = [0, 0, 1, 1]

# 75% 刷题，25% 考试，固定随机种子保证每次结果一致
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.25, random_state=42)

print("训练集样本数：", len(X_train))
print("测试集样本数：", len(X_test))

你会看到：

训练集样本数： 3
测试集样本数： 1

知识点全对上

代码/概念	对应含义
`houses` 里的 `[50, 1]`	特征：面积、房间数
`houses` 里的 `200`	标签：价格（连续数字 → 回归）
`flowers` 里的 `"setosa"`	标签：品种（类别 → 分类）
`train_test_split(..., test_size=0.25)`	把 25% 数据留作考卷
`random_state=42`	固定随机种子，每次划分结果一样

❓ 常见问题

Q1：特征越多越好吗？

不一定。特征太多且与预测目标无关，会带来噪音，模型更容易"学歪"。选特征的原则是：与目标强相关、可获取、维度不过高。

Q2：训练集和测试集的比例必须是 8:2 吗？

不是，8:2 是经验值。数据量少时可用 7:3 或 6:4；数据量巨大（百万级以上）时，测试集占比可适当降到 10% 左右。

Q3：标签写错了怎么办？

监督学习靠标签学规律，标签有误会直接教歪模型。数据清洗（纠正错误标签、剔除异常值）往往比选哪个算法更重要。

⚠️ 新手翻车现场

翻车一：把测试集也当训练集用

# 错误：把全部数据都 fit 进去，没有留考卷
model.fit(X, y)   # X, y 是全部 150 朵花
score = model.score(X, y)  # 在同一组数据上打分，分数虚高

问题：model.score(X, y) 在"刷题册"上考试，100% 准不代表会做新题。

修正：只用 X_train, y_train 调用 fit，只用 X_test, y_test 调用 score，两组数据不能混。

翻车二：标签和特征搞反

# 错误：把价格当特征，面积当标签
X = [[200], [320], [390], [460]]   # 价格作为输入
y = [[50, 1], [80, 2], [100, 3], [120, 3]]  # 面积房间作为输出

问题：逻辑颠倒了。应该是"用面积房间去预测价格"，而不是反过来。

修正：始终问自己"我有什么（特征）→ 我想求什么（标签）"，把已知的放 X，要预测的放 y。

📦 换皮小示例：判断邮件是否垃圾

把"房价预测"的套路套在文本分类上：

# 特征：邮件是否含"中奖""贷款""点击"（1=有，0=无）
# 标签：是否垃圾邮件（1=是，0=否）
emails = [
    [1, 1, 1, 1],  # 含三个关键词 → 垃圾
    [0, 0, 0, 0],  # 无关键词 → 正常
    [1, 0, 0, 0],  # 只含"中奖" → 垃圾
    [0, 1, 0, 1],  # 含"贷款"和"点击" → 垃圾
]

X = [[row[0], row[1], row[2]] for row in emails]  # 三个关键词特征
y = [row[3] for row in emails]                    # 标签

🎯 什么时候用监督学习

有历史数据，且每条数据都有已知答案（标签）
需要对新数据做分类（垃圾/非垃圾、猫/狗/其他）或回归（房价、气温、销量）
答案可以人工标注，成本可接受

📝 本章小结

监督学习 = 特征（线索）+ 标签（答案），机器从例子里学规律
标签是类别 → 分类；标签是连续数字 → 回归
数据要拆成训练集（刷题册）和测试集（考卷），比例常见 8:2
铁律：考试题绝不能提前刷过，否则分数虚高
记忆口诀：特征是线索，标签是答案；类别分类，数字回归；八成刷题，两成考试

动手改

在 houses 里加一行 90 平米、2 室的房子，猜猜价格大概多少？
"根据邮件内容判断是不是垃圾邮件"——分类还是回归？
"预测明天的气温"呢？
把上面的 train_test_split 改成 test_size=0.5，观察训练集和测试集各多少样本

下一章：第一个模型，用 scikit-learn 训练你人生第一个机器学习模型 🐸