人工智能基础与应用 - 数据处理、建模与预测流程 6 模型训练

6.1 学习目标

通过本章学习，读者应能够：

• 理解什么是"模型"，模型在人工智能中的作用
• 理解"训练""预测""评估"之间的关系
• 掌握训练集、测试集的基本思想
• 理解过拟合与欠拟合的直观含义
• 使用 Python 完成一次最基本的模型训练流程

本章的目标是：
让读者明白模型训练"在干什么"，而不是"怎么推公式"。

---

6.2 什么是模型

在人工智能中，模型并不是某个具体程序或文件，而是：

一种用来描述"输入与输出之间关系"的数学结构。

可以用一句更直观的话理解：

模型，就是数据规律的"总结版本"。

---

6.2.1 一个生活化的类比

假设你观察到：

• 学习时间越长，考试成绩通常越高
• 学习时间很少的学生，成绩往往较低

你在脑中形成的经验判断：

"学习时间和成绩之间存在正相关关系"

这其实就是一个非常朴素的模型。

人工智能模型做的事情，与此类似，只是：

• 用数据而不是感觉
• 用计算而不是直觉

---

6.3 什么是"训练"

6.3.1 训练不是"背答案"

在初学阶段，很多人会误以为：

"模型训练就是把答案记住"

实际上，训练的本质是：

通过大量样本，找到输入与输出之间的规律。

---

6.3.2 用一句话概括训练

模型训练 = 调整模型内部参数，使预测结果尽量接近真实结果。

这里有三个关键词：

• 输入（特征）
• 输出（标签）
• 调整参数

---

6.4 训练、预测与评估的关系

模型训练并不是一个孤立过程，而是一个完整闭环。

6.4.1 训练（fit）

• 使用已知数据
• 学习输入 → 输出的关系

---

6.4.2 预测（predict）

• 对新数据给出结果
• 模拟真实应用场景

---

6.4.3 评估（evaluate / score）

• 判断预测是否可靠
• 衡量模型好坏

可以用一句话总结三者关系：

训练是学规则，预测是用规则，评估是看规则好不好。

---

6.5 为什么要划分训练集和测试集

6.5.1 问题从哪里来

如果你用全部数据 训练模型，再用同一批数据评估：

• 模型分数通常会很高
• 但这个分数没有实际意义

---

6.5.2 训练集与测试集的角色

• 训练集：用来学习规律
• 测试集：用来模拟"从未见过的新数据"

测试集的存在，是为了回答一个关键问题：

这个模型在新数据上还能表现好吗？

---

6.5.3 用 Python 划分数据集

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

常见比例：

• 70% / 30%
• 80% / 20%

---

6.6 过拟合与欠拟合（必须理解）

这是模型训练中最重要的概念之一。

---

6.6.1 欠拟合（学得不够）

欠拟合指的是：

• 模型过于简单
• 没有学到数据中的基本规律

表现为：

• 训练集效果差
• 测试集效果也差

类比：

题目没学会，考试自然考不好。

---

6.6.2 过拟合（学得太死）

过拟合指的是：

• 模型把训练数据"记得太清楚"
• 把噪声也当成规律

表现为：

• 训练集效果很好
• 测试集效果明显下降

类比：

把练习题答案背下来了，换题就不会做。

---

6.6.3 为什么人工智能训练师要警惕过拟合

因为：

• 过拟合模型看起来"很优秀"
• 实际应用中却经常失败

这是很多 AI 项目"上线即翻车"的原因。

---

6.7 一个完整的模型训练示例（重点）

示例：预测每日步数（回归问题）

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression

# 示例数据
data = {
    'age': [25, 30, 45, 35, 50],
    'exercise_minutes': [30, 20, 10, 40, 15],
    'daily_steps': [8000, 6000, 3000, 10000, 4000]
}

df = pd.DataFrame(data)

# 特征与标签
X = df[['age', 'exercise_minutes']]
y = df['daily_steps']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

# 创建并训练模型
model = LinearRegression()
model.fit(X_train, y_train)

# 评估模型
train_score = model.score(X_train, y_train)
test_score = model.score(X_test, y_test)

print("训练集得分:", train_score)
print("测试集得分:", test_score)

---

6.7.1 如何解读结果

• 训练集得分明显高于测试集 → 可能过拟合
• 两者都很低 → 可能欠拟合
• 两者接近且较高 → 模型较稳定

---

6.8 模型训练中的常见误区

6.8.1 用测试集参与训练

• 会导致数据泄漏
• 评估结果失真

---

6.8.2 只看训练集分数

• 分数高不代表模型可用
• 必须结合测试集

---

6.8.3 频繁更换模型但忽略数据

• 数据问题未解决
• 模型再复杂也无效

---

6.9 本章小结

本章围绕模型训练的基本思想，重点包括：

• 模型是数据规律的抽象表达
• 训练、预测、评估构成完整流程
• 训练集与测试集用于判断模型泛化能力
• 过拟合与欠拟合是模型训练中的核心问题

这些内容将为后续具体模型学习打下基础。

---

6.10 课后练习

一、判断题

1. 模型训练的目标是让模型在训练数据上分数尽可能高。
2. 测试集用于评估模型在新数据上的表现。
3. 过拟合模型在真实应用中通常表现良好。

---

二、简答题

1. 什么是模型训练？
2. 为什么需要划分训练集和测试集？

---

三、思考题

如果一个模型在训练集上得分 0.95，在测试集上得分 0.60，你会如何判断这个模型？可能存在什么问题？

---

6.11 练习题参考答案

一、判断题答案

1. 错误
2. 正确
3. 错误

---

二、简答题参考要点

第 1 题：

• 通过数据学习输入与输出之间的规律
• 调整模型参数以提高预测准确性

第 2 题：

• 模拟真实预测场景
• 判断模型的泛化能力
• 防止过拟合

---

三、思考题参考思路

• 训练集得分高、测试集得分低
• 模型可能存在过拟合
• 需要简化模型或改进数据与特征

---