第8课　分类综合：比较两种模型｜写给初中生的机器学习

单元二

第8课　分类综合：比较两种模型

一、任务目标

在同一次拆分上比较 KNN 与决策树的正确率。

二、核心概念讲清楚

在相同划分下公平比较：同一套 train/test，只换模型。记录各自 accuracy，讨论差异原因。

固定 random_state，保证公平
比较时数据预处理也要一致
没有永远第一的模型，看任务与数据

1同一划分共用 X_train 等

2训练模型A记录分数

3训练模型B记录分数

4对比讨论谁高、为何

三、跟着想一遍（小例子）

KNN 与决策树在 iris 上可能都较高，但可解释性不同。

易错：一个用了标准化、一个没用，却直接比分数。

正确：控制变量：只改模型这一处。

想一想：为什么「换模型」前要固定数据划分？

四、解题思路

任务：在同一次拆分上比较 KNN 与决策树的正确率。先想清楚：输入是什么、处理后得到什么、屏幕上应出现什么。

本课主要用到：屏幕输出。

1明确任务「在同一次拆分上比较 KNN 与决策树的正确率。」：运行后你希望看到什么结果（文字、图形或计算结果）。
2用 print 把结果说出来，确认屏幕上出现预期内容。
3对照参考代码跑通后，只改一个参数，观察结果如何变化。

流程示意（可对照左侧文字）

五、语句功能讲解

本课用到的 Mixly 图形块均已在前面的课讲过。请直接对照编程练习搭积木；若有遗忘，回到该积木首次出现的课页复习。

六、知识点讲解

特征是从原始数据里抽出、对判断有用的量；标签是我们想预测的答案。分类就是根据特征给样本贴标签。特征选不好，后面模型再复杂也难做好。

先弄清本课输入与输出，再进编程练习对照现象。

七、编程练习

先理解上面的例子，再在下方 Mixly 运行与检查（含 scikit-learn）。

选择题目

同一 random_state，打印两个正确率。

参考代码（对照抄写到下方 Mixly）

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

X, y = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.3, random_state=0
)
knn = KNeighborsClassifier(n_neighbors=3)
tree = DecisionTreeClassifier(max_depth=3, random_state=0)
knn.fit(X_train, y_train)
tree.fit(X_train, y_train)
print("KNN:", round(accuracy_score(y_test, knn.predict(X_test)), 3))
print("Tree:", round(accuracy_score(y_test, tree.predict(X_test)), 3))

九、本节小结

分类单元收官：会训、会评、会比。下一单元进入回归——答案是连续数字。