第20课　结课项目：自选分类或回归｜写给初中生的机器学习

单元五

第20课　结课项目：自选分类或回归

一、任务目标

按完整清单完成一个自选项目，并诚实报告结果。

二、核心概念讲清楚

结课看重过程完整与表达清晰，而不是刷到最高分。写清问题、步骤、指标与局限。

问题一句话说明白
指标与划分方式公开
诚实标注参考来源

1选题分类或回归小问题

2实现可复现的代码

3评估测试集指标

4展示讲清收获与不足

三、跟着想一遍（小例子）

用公开小数据集做 KNN，报告测试正确率，并说明未调参的原因。

易错：只展示花哨图，说不清 fit/predict 发生了什么。

正确：听众能复述你的问题与结论。

想一想：若重做一次，你最想改进哪一步？

四、解题思路

任务：按完整清单完成一个自选项目，并诚实报告结果。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「按完整清单完成一个自选项目，并诚实报告结果。」：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

对照清单看输出。

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.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score, classification_report

# 结课示例：分类项目清单演示（可改成回归）
X, y = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.25, random_state=42
)
pipe = Pipeline([
    ("scaler", StandardScaler()),
    ("clf", KNeighborsClassifier(n_neighbors=5)),
])
pipe.fit(X_train, y_train)
y_pred = pipe.predict(X_test)
print("训练正确率:", round(accuracy_score(y_train, pipe.predict(X_train)), 3))
print("测试正确率:", round(accuracy_score(y_test, y_pred), 3))
print()
print(classification_report(y_test, y_pred, digits=3))
print("清单：数据[OK] 拆分[OK] 模型[OK] 训练/测试指标[OK] 报告[OK]")

九、本节小结

恭喜完成 20 课！你会用真实 sklearn API 做分类／回归／聚类，会读混淆矩阵与过拟合信号，会用 Pipeline，并按清单诚实完成项目。附录可随时速查。