基于规则和模型的学习介绍
1 课程概览
本课通过房价预测案例详细讲解基于模型的学习方式，重点介绍样本、特征、标签、训练集、测试集等核心术语的含义与相互关系，并引出线性回归的基本概念，说明机器学习中"权重"和"偏置"的命名约定。
2 核心概念与定义
- 基于规则的学习（Rule-based Learning）：程序员根据经验，手工编写if-else规则进行判断。
- 基于模型的学习（Model-based Learning）：从数据中自动学习规律，机器学习属于此类。
- 样本（Sample）：每一行数据称为一个样本。
- 特征（Feature）：用于分析的字段，即X轴数据，记为
x_train（训练集特征）或x_test（测试集特征）。 - 标签（Label）：需要预测的结果字段，即Y轴数据，记为
y_train（训练集标签）或y_test（测试集标签）。 - 训练集（Training Set）：已知的数据，包含
x_train和y_train。 - 测试集（Test Set）：用于测试的数据，
x_test已知，y_test需要模型预测。 - 线性回归（Linear Regression）：利用线性关系模拟变量之间关系的方法。
- 权重（Weight, W）：线性回归中对应斜率的参数，机器学习中称为权重。
- 偏置（Bias, B）：线性回归中对应截距的参数，机器学习中称为偏置。
3 算法与模型详解
3.1 两种学习方式对比
| 比较维度 | 基于规则的学习 | 基于模型的学习 |
|---|---|---|
| 实现方式 | 程序员手写if-else | 机器从数据中自动学习 |
| 典型案例 | 判断垃圾邮件（检查正文二维码、银行卡号等） | 房价预测 |
| 本质 | 人为编程 | 自动找规律、找公式 |
机器学习属于基于模型的学习。
3.2 房价预测案例——核心术语图解
以面积（X轴）与销售价格（Y轴）数据为例：
| 数据角色 | 说明 | 符号 |
|---|---|---|
| 训练集特征 | 已知的面积数据 | x_train |
| 训练集标签 | 已知的房价数据 | y_train |
| 测试集特征 | 待预测的面积（如109） | x_test |
| 测试集标签 | 待预测的房价（模型输出） | y_test |
❗模型的核心任务：已知
x_train、y_train、x_test，计算y_test。
3.3 线性回归基础
- 拟合回归线：基于坐标点绘制一条直线，使其尽可能穿过更多点，不能穿过的点尽量分布在直线两侧。
- 预测：根据拟合回归线，找到给定面积对应的房价。
- 公式：
$$y = kx + b$$
其中：
- $k$：斜率（Slope）
- $b$：截距（Intercept）
3.4 机器学习中的命名约定
在机器学习中，线性回归公式的参数命名有所变化：
$$y = Wx + B$$
| 数学名称 | 机器学习名称 | 符号 | 含义 |
|---|---|---|---|
| 斜率（Slope） | 权重（Weight） | $W$ | 特征对结果的影响程度 |
| 截距（Intercept） | 偏置（Bias） | $B$ | 基础偏移量 |
⚠️注意：Bias 的正确拼写是 "Bias"，不是 "BIOS"。
4 数学原理与推导
4.1 一元线性回归公式
$$y = kx + b$$
- $y$：因变量（房价）
- $x$：自变量（面积）
- $k$：斜率
- $b$：截距
4.2 机器学习中的线性回归公式
$$y = Wx + B$$
- $W$：权重（Weight），对应斜率
- $B$：偏置（Bias），对应截距
一元线性回归不涉及平方项；若涉及平方项则为多元/多项式回归。
5 代码示例
本课无完整代码，但提及后续KNN入门实操将涉及线性回归概念。
6 重难点与易错提醒
- ❗重点：模型的核心任务是计算
y_test——已知x_train、y_train、x_test，预测y_test。 - ❗重点：机器学习中，斜率称为"权重（Weight, W）"，截距称为"偏置（Bias, B）"。
- ⚠️易错：Bias 的正确拼写是 "Bias"，不要写成 "BIOS"（基本输入输出系统）。
- ⚠️易错：测试集的
x_test已知，但y_test未知，需要模型预测。 - 💡深入理解：拟合回归线的特征是尽量穿过更多点，剩余点分布在直线两侧。
7 课堂问答精选
Q: 机器学习模型的核心任务是什么？
A: 模型的核心任务是计算 y_test。已知训练集的特征 x_train 和标签 y_train，以及测试集的特征 x_test，模型需要预测测试集的标签 y_test。
Q: 机器学习中的权重和偏置对应数学中的什么概念？
A: 权重（Weight, W）对应斜率，偏置（Bias, B）对应截距。本质相同，只是命名不同。
8 本课小结
- 机器学习属于基于模型的学习，从数据中自动学习规律。
- 核心术语：样本（一行数据）、特征（X轴）、标签（Y轴）、训练集（已知数据）、测试集（待预测数据）。
- 模型任务：已知
x_train、y_train、x_test，计算y_test。 - 线性回归公式：$y = Wx + B$，其中 $W$ 为权重，$B$ 为偏置。
- 拟合回归线：尽量穿过更多点，剩余点分布在两侧。
9 延伸思考与实践
- 思考：基于规则的学习和基于模型的学习，各自的适用场景是什么？
- 思考：为什么训练集的质量会直接影响模型的预测准确度？
- 预告：后续将学习KNN算法入门实操。