人工智能基础与应用 - 数据处理、建模与预测流程 2 : 数据与问题类型

2.1 学习目标

通过本章学习，读者应能够：

• 理解人工智能训练中"数据"的实际含义
• 正确认识样本、特征与标签
• 能从日常业务场景中抽象出数据结构
• 判断一个问题属于回归还是分类
• 使用 Python 对数据进行基本查看与拆分

本章重点在于：
把"现实问题"转化为"人工智能可以处理的问题"。

---

2.2 从业务角度理解什么是"数据"

在实际工作中，数据并不是抽象存在的。

它通常来源于：

• 系统日志
• 业务记录
• 用户行为
• 问卷或表单

例如，在一个简单的健身应用中，系统可能每天记录：

• 用户年龄
• 每日步数
• 运动时长
• 是否达标

这些记录汇总在一起，就形成了人工智能训练所需的数据。

对人工智能而言，数据就是对现实世界的"数字化描述"。

---

2.3 样本、特征与标签（结合真实场景）

2.3.1 样本：一次记录，一个对象

在人工智能训练中，样本通常表示一次完整记录。

以健身数据为例：

• 一个用户一天的运动记录
• 一个客户一次交易记录
• 一名学生一次考试结果

在表格中：

每一行通常就是一个样本。

---

2.3.2 特征：用来描述样本的信息

特征是对样本的描述性信息。

在健身场景中，可能包括：

• 年龄
• 性别
• 运动时长
• 心率

这些信息本身不是结果，但会影响结果。

---

2.3.3 标签：模型要学习和预测的目标

标签是模型要学习和预测的对象。

例如：

• 每日步数
• 是否达成运动目标
• 是否存在健康风险

在训练阶段，标签是已知的；

在预测阶段，标签是未知的。

---

2.3.4 一个通俗总结

可以用一句话记住三者关系：

特征是原因，标签是结果，样本是一次完整记录。

---

2.4 用一个业务示例理解数据结构

示例场景：健身用户每日数据（简化）

import pandas as pd

data = {
    'age': [25, 30, 45, 35, 50],
    'exercise_minutes': [30, 20, 10, 40, 15],
    'calories_burned': [300, 200, 120, 380, 150],
    'daily_steps': [8000, 6000, 3000, 10000, 4000]
}

df = pd.DataFrame(data)
print(df)

输出示意：

   age  exercise_minutes  calories_burned  daily_steps
0   25                30               300          8000
1   30                20               200          6000
2   45                10               120          3000
3   35                40               380         10000
4   50                15               150          4000

---

2.4.1 识别样本、特征与标签

在这个示例中：

• 样本：每一行（一天的数据）

• 特征：

  • age
  • exercise_minutes
  • calories_burned

• 标签：

  • daily_steps

这是一个预测数值的任务。

---

2.4.2 用 Python 分离特征与标签

X = df[['age', 'exercise_minutes', 'calories_burned']]
y = df['daily_steps']

print(X)
print(y)

这一步是所有建模工作的起点。

---

2.5 人工智能中的常见问题类型

在理解数据后，下一步必须回答一个问题：

模型要预测的"结果"，到底是什么类型？

---

2.5.1 回归问题：预测"多少"

回归问题的特点是：

• 预测结果是连续数值

常见业务示例：

• 预测每日步数
• 预测销售额
• 预测能耗或费用

本章中的健身示例，就是一个典型的回归问题。

---

2.5.2 分类问题：预测"属于哪一类"

分类问题的特点是：

• 预测结果是类别

例如：

• 是否达成运动目标（是 / 否）
• 用户是否存在风险
• 是否需要人工干预

如果我们将问题改为：

"该用户今天是否达成 8000 步目标？"

那么问题类型就变成了分类问题。

---

2.5.3 为什么问题类型不能选错

如果问题类型判断错误：

• 模型选择会出错
• 评估指标会无意义
• 结果无法用于实际决策

这是人工智能训练师在实际工作中必须首先判断的一步。

---

2.6 从现实问题到 AI 问题的判断方法

可以用以下思路快速判断：

• 预测一个具体数值 → 回归问题
• 判断是否 / 属于哪类 → 分类问题

这个判断方法简单，但非常实用。

---

2.7 本章小结

通过本章学习，应重点掌握：

• 数据是人工智能学习的基础
• 样本、特征、标签构成训练数据的核心结构
• 表格数据是最常见的训练形式
• 回归与分类是最基础、最常见的问题类型

这些内容将直接影响后续的数据处理和模型训练方式。

---

2.8 课后练习

一、判断题

1. 在表格数据中，一行通常对应一个样本。
2. 标签是用来描述样本特征的属性。
3. 预测每日步数属于回归问题。

---

二、简答题

1. 请结合一个业务场景，说明什么是特征，什么是标签。
2. 为什么在建模前必须先判断问题类型？

---

三、实践题

请判断下列问题属于哪一类：

1. 判断一名用户是否存在运动不足风险
2. 预测下周某商品的销售数量

---

2.9 练习题参考答案

一、判断题答案

1. 正确
2. 错误
3. 正确

---

二、简答题参考要点

第 1 题：

• 特征是用于描述对象的属性
• 标签是模型要学习和预测的目标
• 特征影响标签，但不等同于标签

第 2 题：

• 不同问题类型使用不同模型
• 评估方法不同
• 错误判断会导致模型无法使用

---

三、实践题答案

1. 分类问题
2. 回归问题

---