监督学习实战：回归建模与模型选型

这本书在教你一件事：怎么判断一个模型"真的能用"。

先给你一个数字：R² = 0.987。

看起来是个好成绩。但如果我告诉你，把同一份数据换一种划分方式，同样的模型 R² 只有 0.964 —— 你该相信哪个？

答案：都不是。 你要先搞清楚那 0.023 的差值从哪来。这本书的大半篇幅，就是在做这件事。

这本书的独特之处

市面上大多数机器学习入门书是这样的顺序：

讲算法 → 写代码 → 看分数 → 分数高就"学会了"

这本书是反过来的：

先做出一个"看起来很准"的模型
   ↓
然后亲手证明它是假的
   ↓
再老老实实重建一套可信的评估方法
   ↓
最后你剩下的分数，才是真的

所以你会在这里看到大量这样的段落：

"这个写法跑出来 R² = 0.987，比正确做法高 0.023。 我们花一整章证明这 0.023 是假的 —— 它是模型把'答案'记住了。"

能亲手证伪自己的结果，是数据科学最重要的能力。

适合谁读

适合你，如果：

• 会 Python 基础（变量、循环、函数、列表字典）
• 会 pandas 的基本操作（read_csv、选列、筛选、groupby）
• 想真正理解机器学习在做什么，而不是调包
• 或者：你已经能跑通 sklearn，但对自己的分数没有信心

不太适合，如果：

• 你完全没写过 Python（建议先看 面向 AI 开发的 Python 快速入门）
• 你想学深度学习 / 神经网络（这本讲的是表格数据的经典机器学习）
• 你在找一本"算法推导"教材（这本重判断力，轻数学证明）

你会学到什么

按四个能力来组织，而不是按算法列表：

能力	具体表现
把问题变成 X / y	知道哪一列不能当特征、为什么 X 必须是二维表
做可信的评估	会按实体划分、会算四个回归指标、会报告"均值 ± 标准差"
选择合适的模型	说得清线性/树/森林/提升/高斯过程各治什么病、各要什么代价
诊断而不是瞎调	看学习曲线判断"该加数据还是换模型"；认出泄漏、过拟合、欠拟合

一个贯穿全书的判断力训练

这本书反复教你问同一组问题：

这个分数可信吗？
  ├─ 划分方式对吗？（按行随机 → 泄漏）
  ├─ 报告的是一次结果还是一组结果？（单次划分 = 运气）
  ├─ 卡点在模型还是在特征？（四路横评只差 0.005，说明不在模型）
  └─ 业务需要的是精度，还是"知道自己不确定"？

最后一问会带你遇到一个反直觉的结论： 高斯过程（GPR）的 R² 只有 0.827，比随机森林的 0.965 低得多 —— 但在"要不要让这支设备退役"的决策里，它反而更值得推荐。 因为它会告诉你"这个预测我只敢 ±0.013，那个我不敢超过 ±0.109"。

精度不是唯一指标。 这是本书想留给你的最后一个观念。

主线项目

全书围绕同一张表展开：60 支电芯、21,239 行测量记录， 每行是一个 100 圈窗口的汇总（7 个特征 + 1 个标签）。

为什么用"设备退化"这个场景：它天然满足三个教学需求 ——

1. 数据是时间序列的快照 → 同一实体的相邻行高度相似 → 完美演示划分泄漏；
2. 标签有物理上限但测得有噪声 → 说明"R² 上不了 0.999"是数据的性质，不是模型不行；
3. 业务上真的需要不确定性 → 让"GPR 的置信带"不是炫技，而是刚需。

你不懂电池也完全不影响阅读 —— 书里所有结论都是关于"建模方法"的， 物理背景只在数据说明里出现一次。

学习路径

部分	章	主题	你会拿走什么
A 地基	01–08	环境、监督学习框架、特征与标签、线性回归、四个指标	能把一个问题变成 X/y 并算对指标
B 划分与泄漏	09–12	按实体划分、划分泄漏、交叉验证、分组交叉验证	★ 一套可信的评估纪律
C 模型	13–20	多特征、系数的读法、缩放与 Pipeline、树、森林、偏差方差、提升、特征重要性	说得清每个模型治什么病
D 诊断	21–23	学习曲线、正则化、四路横评	会诊断，不再瞎调参
E 不确定性与选型	24–27	高斯过程、置信带、模型选型的四个维度、❖ 阶段目标	能在业务场景里做选型决策

★ 标记的是最值得花时间的章节。 第 09–12 章是全书的重心 —— 如果你时间有限，至少把这四章读完。

四条读法

① 按顺序读（推荐）：主线依赖前面的纪律，跳读容易错过"为什么这么划分"。

② 只读 B 部分 + 第 20 章：如果你已经在用 sklearn 但分数不稳定， 第 09–12 章（划分与泄漏）+ 第 20 章（特征重要性的三个陷阱）能立刻改善你的判断。

③ 当参考手册：每章的「常见坑」小节就是速查表。报错或数字不对时先来搜。

④ 只跑第 27 章：阶段目标章一条命令产出完整横评报告 —— 但先看代码再跑，否则你只会得到一堆数字。

每章的固定结构（知道这个能省很多时间）

┌─ 开头：这一章要解决什么 + 最容易踩的坑
├─ 概念讲解：是什么、为什么、和什么容易混
├─ 可运行示例：代码 + 真实输出 + 逐段解释
├─ 常见坑：报错信息长什么样、为什么、怎么改
├─ 练习：3 道题，答案默认折叠（先自己做！）
└─ 面向工程实践：这一章的知识在真实项目里用在哪

关于练习答案：每道题的答案都放在折叠块里（像下面这样，点击展开）。 强烈建议：先自己在 demos/ 下敲一遍、跑出结果，再点开对照。 这本书的价值在于"你自己的判断有没有变准"，抄答案得不到它。

配套数据包怎么用（重要）

本课程刻意不提供示例代码和练习答案的文件包 —— 只提供数据和环境工具。

为什么：机器学习每一步都很"轻"，三五行代码就出结果。正因为轻， 只有结果是你自己跑出来的，你才会真的去质疑它。这本书的全部价值就是教你去质疑。

所以：代码在书里（每章都有完整代码 + 真实输出），你敲进 demos/ 里。

数据包下载：regression-model-selection-code.zip（约 400 KB）。

包里有：

code/
├── README.md            依赖说明 / 数据字段与特点 / 校验和 / 常见问题
├── requirements.txt
├── check_env.py         环境自检
└── data/battery/
    ├── soh_features.csv 特征表（21,239 行 × 9 列）
    └── README.md        字段说明与数据特点（动手前读一遍）

开始方式：

cd code
python check_env.py          # 确认环境与数据都就位

然后从第 03 章开始，自己建 demos/ 目录，把代码敲进去。

第 01 章会详细讲环境怎么装、数据怎么验、出错了怎么修。

纪律一：拿到数据先问"这一行是什么"

这份数据的每一行不是一支设备的快照，而是一支设备在某个时间窗口的汇总。

df.shape                      # (21239, 9)  多大规模？
df["cell_id"].nunique()       # 60          多少支设备？
df.groupby("cell_id").size()  # 每支多少行？→ 约 354 行

第三行是关键：发现"每支设备有 354 行"，你就该警觉 —— 这些行彼此相关，不能当成 21239 个独立样本。

这一个认知，直接决定了后面划分方式的对错。

为什么：几乎所有的"模型分数虚高"事故，根源都是 "把相关的数据当成了独立的样本"。

纪律二：报告的分数要能追溯

这本书要求你养成一个习惯：任何数字，都要能说清它是怎么来的。

❌ "模型 R² 大概 0.96。"
   → 哪份数据？什么划分？几个特征？一次还是交叉验证？

✅ "在按电芯划分（48 支训练 / 12 支测试）下，
    随机森林（200 棵，random_state=42）测试集 R² = 0.96503，
    7 个特征，训练 1.9 秒。"
   → 别人可以复现，也可以质疑。

为什么重要：你会在第 09 章看到，仅仅改一个划分参数， 同一个模型的 R² 就能从 0.964 变成 0.987。报告里不提划分方式，那个分数就是没有意义的。

纪律三：先写下预期，再跑代码

这本书每一章几乎都有"看起来对但其实错"的写法。

我建议你在跑每章示例之前，先用注释写下你的预期：

# 我预期：把 soh 留在特征里，R² 会接近 1.0
# 因为：那就是把答案喂给模型了
# 实测：______

先有预期、再看结果，你才会注意到"现实和直觉的差距" —— 而那个差距，就是这一章真正要教的东西。

直接跑代码的人只会看到数字；先写预期的人会看到自己思维的漏洞。

关于数据的重要声明

本书使用的全部是合成数据：

• 为教学构造的合成数据，不联网、不依赖任何外部数据集；
• 数据固定不变（校验和见数据包里的 data/battery/README.md）， 同一份代码重复运行结果一致；
• 真实设备的测量数据属于企业机密，本书全程不使用；
• 数据是理想化的：退化单调、无随机跳变、无工况切换。 只模拟了"每支设备固定的传感器零点偏置 + 缓慢漂移"。

三条必须记住的边界：

1. 数据本身是"测量记录"，不是"上帝视角" —— 所以 R² 天然上不了 0.999，那是数据的性质，不是模型不行；
2. 标签也是测出来的，最大值 1.0017 —— "健康度"是估算量，不是真值；
3. 方法可迁移，模型不可直接上线。 真实场景必须重新采集、重新标定。

三条纪律（贴在这里，随时回看）

① 按"实体"划分，不按行划分。看到 0.99 先怀疑泄漏。
② 报分数要带方差：R² = 0.9580 ± 0.0117，而不是 0.96。
③ 精度不是唯一指标：能说"我不确定"的模型，常常更值得用。

---

准备好了就从第 01 章开始装环境。

如果你已经会 sklearn、只是想改善判断力，可以直接跳到 第 09 章 · 训练 / 测试划分 —— 但遇到看不懂的术语时记得回前面查。

目录

暂无章节