别再死磕理论！用这几个案例轻松入门机器学习

        在人工智能飞速发展的时代，机器学习作为其核心领域，吸引着无数人的目光。但对于初学者来说，那些复杂的公式和抽象的概念常常让人望而却步。其实，通过实际案例来学习机器学习，就像找到了一把开启宝藏大门的钥匙，能让我们更直观、更轻松地掌握这门技术。今天，就让我们一起走进几个有趣又实用的机器学习案例，揭开机器学习的神秘面纱。

一、趣味案例带你走进机器学习世界

（一）鸢尾花的 “聚类游戏”：K-Means 算法实战

        鸢尾花数据集是机器学习领域的经典数据集，它包含 150 个样本，每个样本有 4 个特征，分别是花萼长度、花萼宽度、花瓣长度、花瓣宽度，这些样本分属于 3 种不同的鸢尾花品种。

        数据准备阶段：我们借助sklearn库强大的load_iris函数，轻松获取鸢尾花数据集，再用pandas库把它变成规整的DataFrame格式，方便后续处理。

from sklearn.datasets import load_iris
import pandas as pd

iris = load_iris() 
data = pd.DataFrame(iris.data, columns=iris.feature_names)

1. 模型搭建与训练：这里我们选用K-Means聚类算法，它能把相似的数据点聚集到一起。我们设定聚类数为 3，对应鸢尾花的 3 个品种。然后让模型在数据中 “摸索”，找到最佳的聚类方式。

from sklearn.cluster import KMeans

model = KMeans(n_clusters=3) 
model.fit(data) 
label_pred = model.labels_ 

        结果评估与可视化呈现：聚类效果好不好呢？我们用聚类平方误差总和（inertia）来衡量，这个值越小，说明聚类效果越理想。为了更直观地看到聚类结果，我们用matplotlib库绘制散点图，不同颜色和形状的点代表不同的聚类，黑色方块表示聚类中心，一目了然。

inertia = model.inertia_ 
print("聚类平方误差总和为: ", inertia)

import matplotlib.pyplot as plt
x0 = data[label_pred == 0]
x1 = data[label_pred == 1]
x2 = data[label_pred == 2]

plt.scatter(x0["sepal length (cm)"], x0["sepal width (cm)"], c = "red", marker='o', label='label0')
plt.scatter(x1["sepal length (cm)"], x1["sepal width (cm)"],  c = "green", marker='*', label='label1')
plt.scatter(x2["sepal length (cm)"], x2["sepal width (cm)"],  c = "blue", marker='+', label='label2')
plt.scatter(model.cluster_centers_[:,0],model.cluster_centers_[:,1], c = "black", marker='s',label='centroids')

plt.xlabel('sepal length')
plt.ylabel('sepal width')
plt.legend(loc=2)
plt.show()

（二）给鸢尾花 “贴标签”：KNN 分类算法应用

还是鸢尾花数据集，这次我们用 K 近邻（KNN）算法来给鸢尾花样本 “贴标签”，判断它们属于哪个品种。

1. 数据划分：我们把数据集分成训练集和测试集，测试集占 30%。这就好比让模型先在 “训练班” 里学习，然后通过 “考试”（测试集）来检验学习成果。

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

iris = load_iris()
iris_X = iris.data
iris_y = iris.target
X_train, X_test, y_train, y_test = train_test_split(iris_X, iris_y, test_size=0.3, random_state=0)

1. 模型训练与预测：创建 KNN 分类器时，我们设定n_neighbors = 5，意思是让模型在做决策时参考离它最近的 5 个邻居的类别。模型在训练集上 “努力学习” 数据特征，之后就能对测试集进行预测啦。

from sklearn.neighbors import KNeighborsClassifier

knn = KNeighborsClassifier(n_neighbors = 5)
knn.fit(X_train, y_train)
print(knn.predict(X_test))
print(y_test)

1. 模型评估与优化：为了知道模型的 “实力”，我们采用交叉验证的方法。通过改变 K 值，观察模型准确率的变化，找到最适合的 K 值，让模型发挥出最佳性能。

from sklearn.model_selection import cross_val_score
import matplotlib.pyplot as plt

k_range = range(1, 10)
k_scores = []
for k in k_range:
    knn = KNeighborsClassifier(n_neighbors=k)
    scores = cross_val_score(knn, iris_X, iris_y, cv=10, scoring='accuracy')
    k_scores.append(scores.mean())

plt.plot(k_scores, k_range)
plt.xlabel('Cross-Validation Mean Accuracy')
plt.ylabel('K Value in KNN')
plt.show()

（三）猜猜他 / 她是谁：基于学生信息的性别分类

这个案例非常有趣，我们从 Excel 文件里读取学生姓名和相关描述信息，构建一个能判断性别的模型。

1. 数据读取与整理：利用xlrd库，我们像 “数据侦探” 一样，从 Excel 文件中提取男生和女生的姓名及描述信息，分别存到对应的集合里。

import xlrd

def getnamelist():
    boyset = {}
    girlset = {}
    rd = xlrd.open_workbook("数据集.xls")
    table1 = rd.sheet_by_name("男")
    table2 = rd.sheet_by_name("女")
    for i in range(1, 25):
        boyset.update({table1.cell(i, 0).value: table1.cell(i, 1).value})
        girlset.update({table2.cell(i, 0).value: table2.cell(i, 1).value})
    return boyset, girlset

1. 特征工程：为了让模型能识别出性别特征，我们精心定义了一系列特征词库，比如女性姓名常用字、代表男性运动爱好的词汇、女生爱逛街相关的词汇等。然后根据这些特征，给每个学生计算相应的特征值。

import xlwt

def sexclass(boyset, girlset):
    workbook = xlwt.Workbook(encoding='utf-8')
    worksheet = workbook.add_sheet("特征值表")
    worksheet.write(0, 0, label='姓名')
    worksheet.write(0, 1, label='姓名特征表')
    worksheet.write(0, 2, label='脏话特征表')
    worksheet.write(0, 3, label='运动特征表')
    worksheet.write(0, 4, label='逛街特征表')
    worksheet.write(0, 5, label='分类标签')

    femalename = ["娟", "姗", "婷", "娜", "妃", "娇", "缤", "秀", "美", "慧", "敏", "淑", "静", "洁", "玲", "雪", "琴", "嫣", "娘", "黛", "玲", "灵", "蓉", "姬", "嬛", "钗", "公"]
    shitlst = []
    playlst = ["腹肌", "强壮", "俯卧撑", "冷水澡", "光头", "小宇宙", "篮球", "打球", "打篮球", "撸铁", "光腚", "女朋友", "老婆"]
    shoplst = ["高跟鞋", "逛街", "口红", "乳液", "面膜", "唇膏", "耳洞", "耳钉", "嫁给", "当伴娘", "男朋友", "女汉子", "女生", "姐"]

    i = 1
    for key, value in boyset.items():
        worksheet.write(i, 0, label=key)
        worksheet.write(i, 5, label=1)
        if key[-1] in femalename or key[-2] in femalename:
            worksheet.write(i, 1, label=0)
        else:
            worksheet.write(i, 1, label=1)
        for sh in shitlst:
            if sh in value:
                temp = 1
        worksheet.write(i, 2, label=temp)
        temp = 0
        for pl in playlst:
            if pl in value:
                temp = 1
        worksheet.write(i, 3, label=temp)
        temp = 0
        for sl in shoplst:
            if sl in value:
                temp = 1
        worksheet.write(i, 4, label=temp)
        temp = 0
        i = i + 1

    for key, value in girlset.items():
        worksheet.write(i, 0, label=key)
        worksheet.write(i, 5, label=0)
        if key[-1] in femalename or key[-2] in femalename:
            worksheet.write(i, 1, label=0)
        else:
            worksheet.write(i, 1, label=1)
        for sh in shitlst:
            if sh in value:
                temp = 1
        worksheet.write(i, 2, label=temp)
        temp = 0
        for pl in playlst:
            if pl in value:
                temp = 1
        worksheet.write(i, 3, label=temp)
        temp = 0
        for sl in shoplst:
            if sl in value:
                temp = 1
        worksheet.write(i, 4, label=temp)
        temp = 0
        i = i + 1

    workbook.save('特征值表单.xls')

1. 模型训练与评估：把生成的特征值文件转换成 CSV 格式，用 KNN 和高斯贝叶斯等模型进行训练和测试，通过交叉验证来评估模型的性能，看看模型猜性别到底准不准。

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.naive_bayes import GaussianNB
from sklearn.model_selection import cross_val_score
import xlrd
import csv
import codecs

def xlsx_to_csv():
    workbook = xlrd.open_workbook('特征值表单.xls')
    table = workbook.sheet_by_index(0)
    with codecs.open('1.csv', 'w', encoding='GB18030') as f:
        write = csv.writer(f)
        for row_num in range(table.nrows):
            row_value = table.row_values(row_num)
            write.writerow(row_value)

def load_data(filename):
    data = np.genfromtxt(filename, delimiter=',')
    x = data[:, :4] 
    y = data[:, 4].astype(int) 
    x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.3)
    return x_train, x_test, y_train, y_test

xlsx_to_csv()
X_train, X_test, y_train, y_test = load_data("1.csv")

knn = KNeighborsClassifier(n_neighbors = 3)
knn.fit(X_train, y_train)
print(knn.predict(X_test))
print(y_test)
scores = cross_val_score(knn, X_train, y_train, cv = 3, scoring = 'accuracy')
print(scores)

clf = GaussianNB()
clf = clf.fit(X_train, y_train)
print(clf.predict(X_test))
print(y_test)
scores = cross_val_score(clf, X_test, y_test, cv = 3, scoring = 'accuracy')
print(scores)

二、机器学习学习过程全解析

1. 数据探索之旅：拿到数据集后，要先深入了解它，包括数据的特征含义、数据类型、是否存在缺失值等。数据就像是机器学习的 “原材料”，优质的原材料是成功的关键。
2. 数据预处理魔法：这一步是对数据进行清洗和转换。比如处理缺失值，可以选择填充或删除；对数值型数据进行标准化或归一化，让不同特征处于同一 “起跑线”；对于文本数据，要进行特征提取，把文字变成数字，让模型能够理解。
3. 模型选型攻略：根据任务类型（分类、聚类、回归等）选择合适的模型。分类任务常用 KNN、逻辑回归、决策树等；聚类任务可以用 K-Means；回归任务则有线性回归等。不同模型有不同的特点和适用场景，选对模型很重要。
4. 模型训练与评估实战：把数据集分成训练集和测试集，用训练集训练模型，让模型学习数据中的规律。然后用测试集评估模型性能，常用的评估指标有准确率、召回率、F1 值、混淆矩阵等。这些指标能帮助我们了解模型的优缺点。
5. 模型优化秘籍：如果模型性能不理想，就需要优化。可以调整模型参数，尝试不同的模型，或者改进数据预处理方法。这就像给模型 “升级”，让它变得更强大。

三、AI 助力：基于电影数据的类型分类实践

（一）创意构思：打造电影类型 “预测大师”

        我们设想构建一个模型，通过电影的演员阵容、导演风格、剧情关键词等特征，预测电影的类型。这对于电影推荐、内容管理等方面都有很大的实用价值。

（二）借助 AI 工具：ChatGPT 来帮忙

1. 需求沟通：我向 ChatGPT 详细描述了任务，包括数据的大致情况、想要使用的 KNN 算法、预期实现的功能，比如 “我有包含电影剧情关键词和类型的数据集，想用 KNN 算法实现电影类型分类，帮我写完整代码，涵盖数据预处理、模型训练和评估部分”。
2. 代码打磨：ChatGPT 生成代码后，我仔细检查代码的语法和逻辑。对于不理解或者不符合我预期的部分，我再次与它交流，比如 “代码里数据预处理部分没有处理文本中的特殊字符，能否优化一下”，通过不断沟通，让代码更完善。

（三）代码实现：构建电影分类模型

import numpy as np
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import TfidfVectorizer
import pandas as pd

# 假设从CSV文件读取电影数据，包含剧情关键词、电影类型
data = pd.read_csv('movies.csv')
X = data['plot_keywords']
y = data['genre']

# 使用TF - IDF将文本特征转换为数值特征
vectorizer = TfidfVectorizer()
X = vectorizer.fit_transform(X)

# 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)

# 构建KNN模型并训练
knn = KNeighborsClassifier(n_neighbors=5)
knn.fit(X_train, y_train)

# 预测并评估
y_pred = knn.predict(X_test)
from sklearn.metrics import accuracy_score
accuracy = accuracy_score(y_test, y_pred)
print(f"模型准确率: {accuracy}")

（四）成果展示：模型预测效果

        运行代码后，我们得到模型在测试集上的准确率。如果准确率较高，说明模型能较好地根据剧情关键词预测电影类型；要是准确率不太理想，那就需要进一步优化模型，比如调整 K 值、尝试其他特征提取方法等。

        机器学习的世界丰富多彩，充满了无限可能。通过这些有趣的案例，我们不仅学会了如何运用机器学习算法解决实际问题，还掌握了机器学习的基本流程。希望大家能从这些案例中获得启发，开启自己的机器学习探索之旅，创造出更多有趣又实用的应用！