ML-For-Beginners 入门指南：用 Python 与 Scikit-learn 搭建你的第一个线性回归模型

ML-For-Beginners 入门指南：用 Python 与 Scikit-learn 搭建你的第一个线性回归模型

【免费下载链接】ML-For-Beginners12 weeks, 26 lessons, 52 quizzes, classic Machine Learning for all项目地址: https://gitcode.com/GitHub_Trending/ml/ML-For-Beginners

本篇技术指南是 ML-For-Beginners 课程「回归（Regression）」章节的第 1 课，核心主题是搭建本地机器学习开发环境（Python + Visual Studio Code + Scikit-learn + Jupyter Notebook），并基于 Scikit-learn 内置的糖尿病数据集（diabetes dataset）完成你的第一个线性回归模型：从导入依赖库、探索数据，到拆分训练/测试集、训练模型、预测与可视化。学完本节，你将具备用 Notebook 完成一次完整"传统机器学习"建模流程的实战能力，并为后续线性/逻辑回归课程（2-Regression/2-Data、2-Regression/3-Linear、2-Regression/4-Logistic）打好工具基础。

本课配套的速写笔记（Sketchnote）见 sketchnotes/ml-regression.png，此外本课还提供了完整的 R 语言版本实现（Tidymodels 框架），见 2-Regression/1-Tools/solution/R/lesson_1.html。

一、学习目标

在开始搭建任何模型之前，先确保工具链就绪。本课你将掌握四件事：

• 配置本地计算机，使其可以胜任机器学习任务；
• 熟练使用 Jupyter Notebook 进行交互式编码；
• 安装并使用 Scikit-learn（包括其核心 API 与内置数据集）；
• 通过一次完整的动手练习，理解线性回归的基本工作流。

从本课起，课程会连续用四节课讲解回归模型：本课是"工具篇"（Tools of the trade），随后是数据管理、线性与多项式回归、逻辑回归。

二、环境安装与配置

机器学习实践对 Python 环境版本敏感，因此课程的推荐路径是：安装 Python 3 → 使用虚拟环境 → 安装 VS Code → 安装 Scikit-learn → 安装 Jupyter。

1. 安装 Python 并启用虚拟环境

大多数操作系统已预装 Python，但仍建议从官方渠道安装最新稳定版。由于不同项目可能依赖不同 Python 版本（某些依赖库只支持特定版本），课程明确建议在**虚拟环境（virtual environment）**中工作，Python 3 自带的venv模块即可完成：

python3 -m venv .venv source .venv/bin/activate # Linux / macOS # Windows: .venv\Scripts\activate

虚拟环境能够将项目依赖与系统级 Python 隔离，避免版本冲突——这也是本仓库所有 Notebook 练习的推荐运行方式。

2. 安装 Visual Studio Code

本课程使用 VS Code 作为主力编辑器。安装基础版本后，需要为其配置 Python 开发能力（安装 Python 扩展即可获得解释器选择、代码补全、调试与 Notebook 支持）。VS Code 官方还提供了"Python Coding Packs"，可一次性完成 Python 与 VS Code 的捆绑配置，适合初学者。

3. 安装 Scikit-learn

Scikit-learn 是课程的核心机器学习库。官方推荐在 Python 3 虚拟环境中安装：

pip install scikit-learn

需要注意：若在 Apple M1 Mac 上安装，应优先参考官方安装页的特殊说明（通常建议使用 conda 或预编译 wheel 以避免编译问题）。

4. 安装 Jupyter Notebook

Notebook 是数据科学家的"工作台"，需要通过 Jupyter 包获得：

pip install jupyter

三、认识你的 ML 开发环境：Notebook

你将以Notebook为载体开发 Python 代码、构建模型。这类文件以.ipynb结尾，是数据科学领域的通用工具：它提供交互式环境，让你在编写代码的同时，把说明文字、公式、图表和运行结果穿插在一起——这对实验性、研究导向的项目尤其友好。

本课的练习文件位于 2-Regression/1-Tools/notebook.ipynb（仓库中还提供了含完整运行结果的参考实现 2-Regression/1-Tools/solution/notebook.ipynb）。

练习：上手操作一个 Notebook

1. 在 VS Code 中打开notebook.ipynb，系统会自动启动一个 Python 3+ 的 Jupyter 内核。Notebook 由一个个可独立"运行"的单元格（cell）组成，点击单元格左侧的播放按钮（▶）即可执行当前代码块。

2. 新建一个 Markdown 单元格（选择md标识），输入标题文本# Welcome to your notebook，同时熟悉在代码旁写文档的"自文档化"工作方式。

3. 新建一个代码单元格，输入：

   print('hello notebook')

4. 点击运行箭头执行该单元格，你将看到输出：

   hello notebook

思考题：网页开发者的工作环境与数据科学家的环境有何不同？前者强调构建-部署循环，后者强调交互式探索与实验记录——Notebook 正是为后者设计的。

四、Scikit-learn 快速认知

Scikit-learn（读作sci如science）是一个开源机器学习库，同时支持监督学习与非监督学习，并提供模型拟合、数据预处理、模型选择与评估等各类工具。它的 API 设计统一：fit()训练、predict()预测、train_test_split()拆分数据，降低了学习成本。

本课程刻意选择"传统机器学习"路线（回归、分类、聚类、NLP、时间序列等），不涉及神经网络与深度学习——后者由微软的 AI for Beginners 系列课程专门覆盖。Scikit-learn 主要面向数值型数据，且内置多个玩具数据集（如本课使用的 diabetes）和预构建模型，非常适合作为教学工具。

五、动手练习：你的第一个 Scikit-learn 线性回归模型

本节练习参考了 Scikit-learn 官方的 OLS 线性回归示例，核心代码与完整运行输出可对照 2-Regression/1-Tools/solution/notebook.ipynb 查看。开始前，请先将notebook.ipynb中的旧单元格清空（点击垃圾桶图标）。

1. 业务场景与回归方法选型

想象你是一名医学研究者，想测试某种糖尿病治疗方案：机器学习模型能基于多个变量组合，预测哪些患者对治疗响应更好。即便是一个最基础的回归模型，一旦可视化，也能展示变量间的关系，帮你组织理论上的临床试验。

这里有一个方法选型的关键认知：预测数值用线性回归，预测类别用逻辑回归。例如"预测某年龄人群的身高"是数值问题（线性回归），而"判断某菜系是否属于素食"是类别问题（逻辑回归）。后续课程会深入逻辑回归。

2. 导入依赖库

import matplotlib.pyplot as plt import numpy as np from sklearn import datasets, linear_model, model_selection

• matplotlib：绘图工具，用于生成散点图与拟合直线；
• numpy：Python 数值计算核心库；
• sklearn：Scikit-learn，其中datasets提供内置数据，linear_model提供线性回归模型，model_selection负责把数据拆分为训练集与测试集。

3. 加载糖尿病数据集

内置的 diabetes 数据集 包含442 个样本、10 个特征变量，常见特征包括：

• age：年龄（岁）
• bmi：身体质量指数
• bp：平均血压
• s1 tc：T 细胞（一种白细胞）相关指标

（完整 10 个特征在 R 版课程中列示更全：除上述外还有sex、s2 ldl、s3 hdl、s4 tch、s5 ltg、s6 glu六项血清测量值，目标变量y是基线一年后疾病进展的定量度量。）

X, y = datasets.load_diabetes(return_X_y=True) print(X.shape) print(X[0])

return_X_y=True让返回值按元组拆分：X为数据矩阵，y为回归目标（监督学习必须要有明确的y）。运行输出：

(442, 10) [ 0.03807591 0.05068012 0.06169621 0.02187235 -0.0442235 -0.03482076 -0.04340085 -0.00259226 0.01990842 -0.01764613]

说明数据是 442 行、每行 10 个元素的数组（特征已标准化）。思考题：线性回归预测的是特征X与目标y之间的关系，你能在官方文档中找到该数据集的 target 定义吗？另外该数据集包含sex这类二分类特征，不妨想一想：类似的分类方式是否会因人群划分而影响治疗方案覆盖的公平性（这也是本课程后续「公平性」章节会讨论的问题）。

4. 选择单一特征并重构为 2D 数组

本练习只使用第三列（索引 2，即bmi）进行一元线性回归：

X = X[:, 2] X = X.reshape((-1, 1))

• X[:, 2]：:选取所有行，2选取第 3 列；
• reshape((-1, 1))：将一维数组重构为 (442, 1) 的二维列向量——-1表示该维度由 NumPy 自动推算，这是 Matplotlib 绘图与 Scikit-learn 输入所要求的格式。

5. 拆分训练集与测试集

机器学习需要"留一手"验证：用一部分数据训练，另一部分从未见过的数据评估模型。Scikit-learn 一行搞定：

X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)

test_size=0.33表示把 33% 的数据留作测试集，其余 67% 用于训练（与 R 版课程中initial_split(prop = 0.67)的比例一致）。

6. 训练线性回归模型

model = linear_model.LinearRegression() model.fit(X_train, y_train)

model.fit()是 Scikit-learn 乃至 TensorFlow 等绝大多数 ML 库的统一训练接口。LinearRegression()采用最小二乘法，学习一条"最佳拟合线"，使预测值与真实值之间的总体误差最小（在 R/Tidymodels 版本中，这一过程等价于linear_reg() %>% set_engine("lm") %>% set_mode("regression")后调用fit(y ~ ., data = diabetes_train)，见 2-Regression/1-Tools/solution/R/lesson_1.Rmd）。

7. 在测试集上预测

y_pred = model.predict(X_test)

predict()用训练好的模型对测试数据生成预测值，稍后将用于在数据分组之间绘制拟合直线。

8. 可视化：散点图 + 拟合线

plt.scatter(X_test, y_test, color='black') plt.plot(X_test, y_pred, color='blue', linewidth=3) plt.xlabel('Scaled BMIs') plt.ylabel('Disease Progression') plt.title('A Graph Plot Showing Diabetes Progression Against BMI') plt.show()

图中黑色小点为真实样本，蓝色粗线为模型学到的线性关系。思考：这条直线究竟"做了什么"？它表达了bmi与疾病进展之间的平均趋势——给定一个新的、未知的 BMI 值，你可以在直线上找到它对应的 y 轴位置，这就是预测。恭喜，你已经完成了第一个线性回归模型的构建、预测与可视化！

六、课程配套挑战与作业

• 🚀 挑战：把X = X[:, 2]中的索引 2 换成数据集的其他列（如age、bp），重新训练并绘图。结合该数据集 target 的定义（一年后疾病进展），你能从不同特征与疾病进展的关系中学到什么？
• 📝 作业：阅读 Scikit-learn 的 Linnerud 数据集。

七、回顾与自学建议

本课做的是简单线性回归（一个特征解释一个目标）。建议进一步了解它与此后课程中的一元/多元线性回归的差异——当引入多个特征时，模型如何从"一条线"变为"一个超平面"。同时可深入理解回归的一般概念：它能回答哪些问题（长度、温度、年龄等连续数值的预测），以及何时应该改选逻辑回归（类别预测）。

本节后续课程将围绕"南瓜价格"这一真实数据集展开完整的数据管理与建模实战，请确保本课环境与基本功已就绪。

【免费下载链接】ML-For-Beginners12 weeks, 26 lessons, 52 quizzes, classic Machine Learning for all项目地址: https://gitcode.com/GitHub_Trending/ml/ML-For-Beginners