机器学习第二十六讲：官方示例 → 跟着菜谱学做经典菜肴

资料取自《零基础学机器学习》。

查看总目录：学习大纲

关于DeepSeek本地部署指南可以看下我之前写的文章：DeepSeek R1本地与线上满血版部署：超详细手把手指南

以跟着菜谱学做经典菜肴为例的机器学习全流程🌶️

准备食材-数据集清洗食材-数据预处理配料加工-特征工程选择炊具-算法模型控温调味-参数调节品鉴评分-模型评估

一、备菜阶段：数据预处理

食材加工四部曲：

获取配方 → 构建数据集

python 复制代码

# 模拟菜品数据集（口味:酸甜苦辣/火候/口感评分）
import pandas as pd
ingredients = {
    '盐（克）': [3,5,2,4,1],
    '糖（克）': [10,8,15,5,12],
    '火候档位': [2,3,4,2,3],
    '耗时（分钟）': [25,30,20,40,35],
    '口味评分': [8,7,9,6,8]  # 目标标签
}
df = pd.DataFrame(ingredients)  # 构建特征矩阵 [^3-1]

挑拣次品 → 异常值过滤^[1](#1)

python 复制代码

# 过滤异常火候档位（正常范围1-5）
df = df[(df['火候档位']>=1) & (df['火候档位']<=5)]

补充遗漏 → 缺失值填充^[2](#2)

python 复制代码

from sklearn.impute import SimpleImputer
imputer = SimpleImputer(strategy='most_frequent')  # 用众数填充分类特征
df_filled = imputer.fit_transform(df)

统一计量 → 特征规格化^[3](#3)

python 复制代码

from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()  # 将盐/糖单位换算成0-1范围
scaled_data = scaler.fit_transform(df_filled)

二、烹饪阶段：模型训练

智能调控三步法：
决策树/随机森林火候/盐量交叉验证

分割试吃组 → 数据集划分

python 复制代码

from sklearn.model_selection import train_test_split
X = df.drop('口味评分', axis=1)
y = df['口味评分']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)  # 保留20%试菜[^8-2]

选定厨艺 → 初始化模型

python 复制代码

# 决策树（像菜谱的分步操作指南）
from sklearn.tree import DecisionTreeRegressor
chef = DecisionTreeRegressor(max_depth=3)  # 最多分3个步骤判断[^5-2]

自动调味 → 参数优化^[4](#4)

python 复制代码

from sklearn.model_selection import GridSearchCV
param_grid = {
    'max_depth': [2,3,4],       # 菜谱步骤深度
    'min_samples_split': [2,3]  # 每次调味最小分量
}
grid_search = GridSearchCV(chef, param_grid, cv=5)  # 5轮盲测试吃[^8-2]
grid_search.fit(X_train, y_train)

三、品鉴阶段：模型评估

40% 60% 味觉测评指标口感误差风味匹配度

口感检验 → 平均绝对误差

python 复制代码

from sklearn.metrics import mean_absolute_error
pred_score = grid_search.predict(X_test)
print(f"菜品口味误差：{mean_absolute_error(y_test, pred_score):.1f}分")[^8-1]

风味检测 → 决策树可视化

python 复制代码

from sklearn.tree import plot_tree
best_model = grid_search.best_estimator_
plt.figure(figsize=(15,10))
plot_tree(best_model, feature_names=X.columns)  # 生成烹饪决策流程图[^5-2]

秘方破解 → 输出最佳参数

python 复制代码

print(f"最优步骤深度：{grid_search.best_params_['max_depth']}")
print(f"最小调味分量：{grid_search.best_params_['min_samples_split']}")

四、厨艺提升策略

风味增强技巧：

复合调料 → 特征组合 $\^4章$

python 复制代码

# 添加甜咸比特征
df['甜咸比'] = df['糖（克）']/(df['盐（克）']+1)  # 防止除零

换锅实验 → 模型对比

基础锅砂锅_决策树进阶锅高压锅_随机森林高阶锅分子料理机_XGBoost

火候控制 → 正则化调整^[5](#5)

python 复制代码

from sklearn.ensemble import RandomForestRegressor
rf = RandomForestRegressor(n_estimators=100, max_depth=5)  # 控制翻炒次数

实验对比结果：

烹饪方法	平均误差	稳定性	操作复杂度
基础决策树	0.75	★★★☆	★★
随机森林	0.62	★★★★	★★★
梯度提升树	0.58	★★★★☆	★★★★

上篇文章：机器学习第二十五讲：TensorFlow → 乐高式搭建深度学习模型

下篇文章：机器学习第二十七讲：Kaggle → 参加机器学习界的奥林匹克

《零基础学机器学习》第三章第三节异常值检测 ↩︎
《零基础学机器学习》第三章第一节缺失值处理 ↩︎
《零基础学机器学习》第四章第二节数据标准化 ↩︎
《零基础学机器学习》第八章第四节网格搜索策略 ↩︎
《零基础学机器学习》第八章第五节正则化应用 ↩︎