一、集成算法："集体智慧" 提升模型性能
集成算法的核心思想是 "集百家之长"，通过组合多个个体学习器的结果，弥补单一模型的局限性，这与 "多个专家判断优于单个专家" 的现实逻辑高度契合。其学习重点可分为以下三部分：
1. 核心基础：结合策略是 "融合" 的关键
集成结果的质量依赖于合理的结合策略，PPT 中明确了三种核心方式：
- 简单平均法 / 加权平均法：适用于回归任务，加权平均通过给性能更优的学习器分配更高权重，进一步提升精度；
- 投票法：适用于分类任务，遵循 "少数服从多数" 原则，但需注意个体学习器的多样性 ------ 若学习器高度一致，集成可能无法提升性能，甚至起反作用（如 PPT 中 "集成不起作用""集成起负作用" 的案例）。
2. 三大主流框架：并行与串行的差异
根据个体学习器的生成方式，集成算法分为三类，其逻辑和应用场景差异显著：
- 实践落地：代码与参数理解并重
PPT 中的 "葡萄酒分类" 练习让我意识到，理论需结合工具落地：
需熟练使用sklearn中的RandomForestClassifier/RandomForestRegressor，关键参数如n_estimators（树的数量，默认 100）、oob_score（是否用袋外数据评估，等价于交叉验证）、bootstrap（是否有放回采样）直接影响模型效果；
理解数据结构（如葡萄酒数据集的 13 个特征、3 个类别）是选择模型和调参的前提。
二、K-Means 聚类：无监督学习中的 "分组工具"
K-Means 是无监督学习中最经典的聚类算法，核心是 "让相似的数据聚在一起"，解决 "无标签数据如何分类" 的问题，其学习重点集中在 "原理 - 评估 - 优缺点 - 实践" 四步：
1. 核心原理：迭代优化簇中心
K-Means 的逻辑简洁但关键步骤环环相扣，需严格遵循四步流程：
- 初始化：随机选择 k 个样本作为初始簇中心；
- 样本聚类：计算每个样本到各簇中心的距离（常用欧式距离、曼哈顿距离），将样本归入最近的簇；
- 更新中心：计算每个簇的样本均值，作为新的簇中心；
- 迭代停止：若簇中心收敛或达到最大迭代次数，输出聚类结果。
其中，距离度量是基础 ------ 欧式距离适合衡量 "绝对距离"（如二维空间两点距离），曼哈顿距离适合衡量 "轴上距离总和"（如城市中两点的出租车行驶距离），需根据数据特点选择。
2. 结果评估：CH 指标定优劣
无监督学习的难点是 "如何判断聚类效果"，PPT 中的 CH 指标提供了量化标准：
- CH 指标通过 "类内紧密度"（样本与簇中心的距离平方和）和 "类间分离度"（簇中心与总中心的距离平方和）计算；
- CH 值越大，代表簇内越紧密、簇间越分散，聚类效果越好，为调参（如 k 值）提供了客观依据。
3. 优缺点认知：合理选择应用场景
K-Means 的特性决定了其适用范围：
- 优点：算法简单、训练速度快，复杂度与样本数呈线性关系，适合常规结构化数据集；
- 缺点 ：k 值需手动确定（是核心痛点），对非球形簇（如环形、条形数据）拟合效果差，且对初始簇中心敏感（需通过
n_init参数多次运行优化）。
4. 实践关键：数据生成与参数调参
PPT 中的make_blobs和KMeans工具使用是实践核心：
make_blobs可生成自定义聚类数据集，关键参数如n_samples（样本数）、centers（类别数）、cluster_std（簇内方差）可控制数据难度；KMeans的n_clusters（k 值）、max_iter（最大迭代次数）、random_state（固定随机种子）是调参重点，需结合 CH 指标反复测试，找到最优 k 值。
三、整体总结：两类算法的核心差异与学习启示
| 维度 | 集成算法 | K-Means 聚类 |
|---|---|---|
| 学习类型 | 监督学习（需标签） | 无监督学习（无标签） |
| 核心目标 | 提升预测精度（分类 / 回归） | 实现数据分组（聚类） |
| 关键依赖 | 个体学习器的多样性与结合策略 | k 值选择与簇中心迭代 |
| 应用场景 | 有标签的预测任务（如疾病诊断、销量预测） | 无标签的数据探索（如用户分群、异常检测） |
通过本次学习，我不仅掌握了具体算法的原理和代码实现，更理解了 "算法选择需匹配问题类型"------ 有标签用集成，无标签用聚类；同时意识到 "调参不是盲目试错"，需结合算法原理（如 RandomForest 的n_estimators、K-Means 的 k 值）和评估指标（如 OOB 得分、CH 指标）科学优化，才能让模型真正解决实际问题。