第 05 章　你的第一行"AI"代码：拟合一条直线

系列：从 0 开始学 AI · 第 5 章 / 共 365 章上一篇：第 04 章《机器学习、深度学习、大模型的关系》阅读时长：约 12 分钟｜含可运行代码

开场：先别装库，我们"徒手"让机器学会一条线

前几章你看到的代码都用了现成库（sklearn）。你可能会想：那不是我写的 AI，是库帮我写的。

这一章我们彻底"脱库"：不用任何机器学习库，只用最朴素的 Python 加减乘除，让机器自己"学会"一条直线。

做完这一章，你会亲手看明白一件事：所谓"机器学习"，底层其实就是一次次地"猜 → 错了 → 微调"，直到猜得越来越准。这个理解，是你后面理解梯度下降、神经网络、大模型的共同地基。

概念讲解：机器"学会一条线"到底在做什么

问题先简化

假设有 3 个点，它们大致在一条直线上：

复制代码

x（学习时长h）：  1     2     3
y（成绩分）：     55    70    85

肉眼可见：成绩 ≈ 15×学习时长 + 40。但机器不知道答案，它得自己找。

一条直线长什么样

一条直线有两个"旋钮"（参数）：

ini 复制代码

y = w × x + b

w：斜率（每多学 1 小时，成绩涨多少）
b：截距（学 0 小时也有个底分）

机器学习的本质，就是"调 w 和 b"调到最佳。 一开始 w、b 是随便给的，然后不断根据"预测偏了多少"来微调。

怎么判断"猜得好不好"：误差函数

给每个点算"预测值 vs 真实值"差多少，再取平均平方（叫 MSE 均方误差）：

scss 复制代码

误差 = 平均( (预测y - 真实y)² )

误差越小 = 直线越贴近数据 = 猜得越准。机器要做的，就是让这个误差不断变小。

怎么"微调"：瞎试 + 朝对的方向走

最简单粗暴（也最直观）的方法是：两个方向都试一下，看误差往哪边变小，就往哪边走。 这就是"梯度下降"的雏形------下面代码里我们就把这件事做到。

最小可运行代码：徒手实现"拟合一条直线"

不用任何机器学习库，纯 Python 从零让机器学会那条线。

运行环境：Python 3.8+，只需 numpy（只用来算数，不涉及机器学习）

python 复制代码

import numpy as np

# 数据：3 个点
x = np.array([1., 2., 3.])
y = np.array([55., 70., 85.])

# 1) 误差函数：衡量当前直线拟合得有多差
def 误差(w, b):
    预测 = w * x + b
    return np.mean((预测 - y) ** 2)   # MSE 均方误差

# 2) "学会"的过程：不断微调 w 和 b，让误差变小
w, b = 0.0, 0.0          # 随便起步
学习率 = 0.01            # 每次微调的步长
for 步 in range(1, 2001):
    # 分别算 w 和 b 各自"往大改/往小改"误差的变化方向（数值梯度）
    dw = (误差(w+1e-6, b) - 误差(w-1e-6, b)) / (2e-6)
    db = (误差(w, b+1e-6) - 误差(w, b-1e-6)) / (2e-6)
    # 沿着让误差减小的方向微调
    w -= 学习率 * dw
    b -= 学习率 * db
    if 步 in (1, 100, 1000, 2000):
        print(f"第{步:>5}步：w={w:.3f} b={b:.3f}  误差={误差(w,b):.2f}")

print(f"\n机器自己学会的直线：y = {w:.2f} × x + {b:.2f}")
print(f"预测：学 4 小时 → 成绩约 {w*4+b:.0f} 分")

结果解读（看图说话）

ini 复制代码

第    1步：w=0.158 b=0.462  误差=2966.71
第  100步：w=13.42 b=41.14  误差=0.24
第 1000步：w=15.00 b=40.00  误差=0.00
第 2000步：w=15.00 b=40.00  误差=0.00

机器自己学会的直线：y = 15.00 × x + 40.00
预测：学 4 小时 → 成绩约 100 分

看这条演化轨迹：

起步：w=0、b=0，误差 2966，完全乱猜。
第 100 步：w≈13.4、b≈41.1，误差已经缩到 0.24，很接近了。
第 1000 步：w=15、b=40，误差归零------机器自己找到了那条线。

我们没有告诉它答案是 15 和 40，它只是一次次"猜 → 算误差 → 微调"，就自己学会了。这就是最纯粹的"机器学习"。

常见坑（这一章最容易出的问题）

报错 / 现象	原因	解决
数字变成 `nan`（无穷大）	`学习率` 太大，一步迈过头	把学习率调小（如 `0.001`）
学得很慢、几千步还没收敛	`学习率` 太小	适当调大（如 `0.1`）
结果一直不对	起步值 / 数据尺度问题	把 w、b 初始为 0，数据先归一化
报 `TypeError` 加减法	数据不是数值型	确认 x、y 是 `np.array` 且为 float

记住"学习率"这个旋钮：它太小学得慢、太大直接学飞（nan）。这个平衡贯穿整个系列，第 104 章我们会专门深讲。

动手练习（今天就能完成）

跑通上面代码 ，确认机器学出 y = 15x + 40。
改数据验证你真懂了 ：把 y 改成 [50, 60, 70]（斜率应为 10），看机器是否自己学出 w=10。数据一变还能学对，才说明你真理解了"从数据学规律"。
故意"玩坏"它 ：把 学习率 改成 0.5，看误差变 nan------直观感受"一步迈太大"的后果，再改回来。

延伸思考（留给发散思维）

迁移到你的工作：任何"输入→输出"有规律的事都能用这套"猜→误差→微调"去做------比如"广告预算→点击量""接口延迟→是否超时"。先想到这种迁移，就是发散思维。
反事实提问 ：如果只有 1 个点，机器能"学会"吗？能，但"唯一解"对吗？------这引出第 24 章"为什么必须分训练集/测试集"。
前瞻：你刚用的是"数值梯度"（一点点试探），但这样很慢。后面第 32 章你会学到真正的梯度下降（直接算方向），更聪明。先记住"机器学习 = 调参数最小化误差"这个总纲。

下一篇预告

你亲手让机器"学会"了一条线------这已经是地地道道的机器学习。下一章（第 6 章《Python 环境搭建》），我们正式把开发环境配齐（Anaconda / pip / venv），让你电脑成为随时能跑 AI 代码的"实验室"。

明天见。

本文为《从 0 开始学 AI》第 05 章。已发布：第 01～04 章。欢迎收藏专栏。

第 05 章 你的第一行"AI"代码：拟合一条直线